This review explores recent advancements in data fusion techniques and Transformer-based remote sensing applications in precision agriculture. Using a systematic, data-driven approach, we analyze research trends from 1994 to 2024, identifying key developments in data fusion, remote sensing, and AI-driven agricultural monitoring. While traditional machine learning and deep learning approaches have demonstrated effectiveness in agricultural decision-making, challenges such as limited scalability, suboptimal feature extraction, and reliance on extensive labeled data persist. This study examines the comparative advantages of Transformer-based fusion methods, particularly their ability to model spatiotemporal dependencies and integrate heterogeneous datasets for applications in soil analysis, crop classification, yield prediction, and disease detection. A comparative analysis of multimodal data fusion approaches is conducted, evaluating data types, fusion techniques, and remote sensing platforms. We demonstrate how Transformers outperform conventional models by enhancing prediction accuracy, mitigating feature redundancy, and optimizing large-scale data integration. Furthermore, we propose a structured roadmap for implementing data fusion in agricultural remote sensing, outlining best practices for ground-truth data selection, platform integration, and fusion model design. By addressing key research gaps and providing a strategic framework, this review offers valuable insights for advancing precision agriculture through AI-driven data fusion techniques.

Bản dịch tiếng Việt:

Đánh giá này khám phá những tiến bộ gần đây trong kỹ thuật tổng hợp dữ liệu và các ứng dụng viễn thám dựa trên máy biến áp trong nông nghiệp chính xác. Sử dụng phương pháp tiếp cận có hệ thống, dựa trên dữ liệu, chúng tôi phân tích các xu hướng nghiên cứu từ năm 1994 đến năm 2024, xác định những bước phát triển chính trong phản ứng tổng hợp dữ liệu, viễn thám và giám sát nông nghiệp dựa trên AI. Mặc dù các phương pháp học máy và học sâu truyền thống đã chứng minh tính hiệu quả trong việc ra quyết định trong nông nghiệp, nhưng những thách thức như khả năng mở rộng hạn chế, trích xuất tính năng dưới mức tối ưu và sự phụ thuộc vào dữ liệu được dán nhãn rộng rãi vẫn tồn tại. Nghiên cứu này xem xét các lợi thế so sánh của các phương pháp nhiệt hạch dựa trên Máy biến áp, đặc biệt là khả năng mô hình hóa các phụ thuộc không gian và thời gian và tích hợp các bộ dữ liệu không đồng nhất cho các ứng dụng trong phân tích đất, phân loại cây trồng, dự đoán năng suất và phát hiện bệnh. Một phân tích so sánh các phương pháp tổng hợp dữ liệu đa phương thức được tiến hành, đánh giá các loại dữ liệu, kỹ thuật tổng hợp và nền tảng viễn thám. Chúng tôi chứng minh cách Transformers vượt trội hơn các mô hình thông thường bằng cách nâng cao độ chính xác của dự đoán, giảm thiểu dư thừa tính năng và tối ưu hóa tích hợp dữ liệu quy mô lớn. Hơn nữa, chúng tôi đề xuất một lộ trình có cấu trúc để triển khai phản ứng tổng hợp dữ liệu trong viễn thám nông nghiệp, phác thảo các phương pháp hay nhất để lựa chọn dữ liệu thực tế, tích hợp nền tảng và thiết kế mô hình tổng hợp. Bằng cách giải quyết các lỗ hổng nghiên cứu chính và cung cấp khung chiến lược, đánh giá này cung cấp những hiểu biết sâu sắc có giá trị để thúc đẩy nông nghiệp chính xác thông qua các kỹ thuật tổng hợp dữ liệu do AI điều khiển.

Document Ready

Click below to load the full PDF document natively.