Назад в библиотеку

Роль дистанционного зондирования в точном земледелеии

Автор перевода: А. И. Кныш

Источник: American Journal of Agricultural and Biological Sciences 5 (1): 50–55, 2010

Аннотация

А. И. Кныш Роль дистанционного зондирования в точном земледелии. Точное земледелие является новой стратегией управления фермой, которая меняет способы использования хозяйстваВ настоящее время существует обязательство уменьшать зависимость от чрезмерного химического воздействия в сельском хозяйстве. Многочисленные технологии были применены, чтобы сделать сельскохозяйственные продукты безопаснее и снизить их негативное воздействие на окружающую среду. Эта цель согласуется с устойчивым ведением сельского хозяйства. Точное земледелие появилось в качестве ценного компонента для достижения этой цели. В статье выделяются технологии дистанционного зондирования и описываются, как они могут быть использованы в качестве эффективного инструмента в точном земледелии.

Введение

С начала промышленной революции, практика сельского хозяйства в развитых странах имела тенденцию к большим энергозатратам, использованию механизмов и увеличению применения химикатов и удобрений. В то время как эта практика имела негативные социальные и экологические последствия, такие как эрозия почв и засоление, уменьшение плодородия почв, уплотнение грунтов и почвы, загрязнение воды, она в целом поддерживала производство продовольствия, удовлетворяющее потребностям быстро растущего населения. Изменение парадигмы к новому методу производства продукции, который гарантирует безопасное и устойчивое сельское хозяйство, является необходимым. Во всем мире, точное земледелие (ТЗ) является изменением ведения людьми хозяйства, оно предлагает множество потенциальных выгод в рентабельности, производительности труда, устойчивости, качества урожая, охраны окружающей среды, на фермах качество жизни, безопасности пищевых продуктов и сельское экономическое развитие. ТЗ является инновационным, комплексным и международно–стандартизированным подходом, целью которого является повышение эффективности использования ресурсов и снижение неопределенности решений, необходимых для управления изменчивостью на фермах. ТЗ было расценено как один из самых научных и современных подходов к производству сельского хозяйства в 21 веке. Оно отражает баланс между зависимостью традиционных знаний и интенсивно развивающихся информационных технологий.

В настоящее время существует растущая приверженность к сокращению внесения в чрезмерны химических удобрений в сельском хозяйстве. Многочисленные технологии были применены, чтобы сделать сельскохозяйственную продукцию безопаснее и снизить ее вредное воздействие на окружающую среду, это соответствует целям устойчивого сельского хозяйства. ТЗ стало ценным компонентом системы для достижения этой цели.

ТЗ является интегрированной, информационной и производственной основой системы сельского хозяйства, которая предназначена для увеличения эффективности, производительности труда и рентабельности, избегая при этом нежелательные эффекты избыточной химической нагрузки на окружающую среду или снижение производительности из–за недостаточного удобрения. Из этого следует, что лучшее решение будет предоставлять широкий спектр преимуществ экономических, экологических и социальных аспектов, которые могут или не могут быть известны или измеримы в настоящее время (Auernhammer, 2001). Во всем мире инвестиции в научно–исследовательские разработки и технологии ТЗ значительно увеличились за последнее десятилетие.

Важность ТЗ получило широкое признание как ключевой фактор в технологии производства сельскохозяйственных культур по всему миру, но до сих пор, эта технология практически применяется только на крупных фермах. ТЗ основано на инновационных системных и подходах, которые зависят от сочетания фундаментальных технологий, таких как географические информационные системы (ГИС), Глобальная система определения местоположения (GPS), компьютер моделирование, наземного / бортового / спутник дистанционного зондирования, технологии с переменной скоростью и передовые обработка информации для своевременного руководства сбора урожая. Протоколы для реализации ТЗ могут быть воплощены в три основные этапы: (1) сбор информации об изменчивости, (2)обработка и анализ информации для оценки о значении изменчивости, (3) реализация изменений в управлении входными данными.

ТЗ описывает циклические процессы, которые являются типичной системой, которая получает надежные данные, оператор фермы каждый год использует их. Это означает, что три основных шага требуют сроки от нескольких месяцев до нескольких лет для того, чтобы коллективно генерировать стабильную и работоспособную структуру, которая еще подвергаться дальнейшим поправкам и уточнениям. Важность ТЗ развивалось на протяжении эпохи механизации сельского хозяйства в 20 веке, это обуславливало сильное экономическое давление при обработки большого поля равномерно при помощи агротехнической техники. ТЗ обеспечивает средства для автоматизации сайт–специфического мэнеджмента (SSM) с использованием информационных технологий, тем самым делая SSM практической в коммерческом сельском хозяйстве (Auernhammer, 2001).

База данных ТЗ обычно включает в себя (Venkataratnam, 2001):

Система ТЗ использует последние достижения в области сенсорной технологии и может сыграть решающую роль в интеллектуальной производственной системе по сбору урожая. В частности, технология дистанционного зондирования, которая позволяет, ничего не разрушая, получать информацию о поверхности Земли, содействуя к осуществлению ТЗ. Например, текущее состояние сельскохозяйственных культур и стресс культур, такие как питательный и водный стресс, болезни, вредители и сорные инвазии можно различить с помощью инструментов дистанционного зондирования: камеры, лазерные сканеры, линейные массивы – фактически не находясь в контакте с ними. Информация, собранная с помощью различных датчиков с использованием GPS может быть интегрирована для создания стратегии управления полем для химического воздействия, выращивания и сбора. Данная статья освещает технологии дистанционного зондирования и описывает, как они могут быть использованы в качестве эффективного инструмента в точном земледелии.

Технология дистанционного зондирования

Технология дистанционного зондирования: дистанционного зондирования (ДЗ) – наука о получении и интерпретации информации с расстояния, используя датчики, которые не находятся в физической связи с наблюдаемым объектом (Jensen, 1996). Наука о дистанционном зондировании включает антенну, спутник и космические аппараты, наблюдения поверхности и атмосферы планет в нашей солнечной системе, в то время как Земля наиболее часто является мишенью исследования. ДЗ обычно ограничивается методами, которые обнаруживают и измеряют электромагнитную энергию, в том числе видимые и невидимое излучение, которые взаимодействуют с поверхностными материалами и атмосферой (рис. 1).

Видимая область спектра в диапазоне от 0,4–0,7 мкм (Nowatzki., 2004)

Рисунок 1 – Видимая область спектра в диапазоне от 0,4–0,7 мкм (Nowatzki., 2004)

ДЗ и ГИС–технологии полезны для планирования эффективного использования природных ресурсов на национальном, государственном и местном уровнях. Применение этих технологий в управлении природными ресурсами быстро увеличивается в связи с успехами, достигнутыми в космической индустрии с точки зрения пространственного, временного, спектрального и радиометрического разрешения (Venkataratnam, 2001). Дистанционное зондирование обладает рядом уникальных преимуществ (Jensen, 1996):

История современных ДЗ началась, когда черно–белые фотографии ландшафта были впервые получены из воздуха. Первое использование аэрофотоснимков появилось в военных целях. В конце концов, сельское хозяйство Служба охраны приняла технологии, и начали собирать индексируемые фотографии ландшафта для сельскохозяйственных целей. ДЗ, сегодня, включает в себя новые технологии, обеспечивающие более эффективной полной, точной и своевременной информацией. Сегодня, ДЗ является практическим инструментом управления для точного земледелия (Casady и Palm, 2002).

Как данных дистанционного зондирования могут быть использованы в сельском хозяйстве?

Технология ДЗ является ключевым компонентом ТЗ и в настоящее время ею пользуется большое количество ученых, инженеров и крупномасштабных фермерских хозяйств. В течение последних двух десятилетий, развитие в ДЗ данных приобретают возможность обработки и интерпретации данных наземного, воздушного и спутникового наблюдений. Этого возможно достигнуть по паре ДЗ технологий и системы управления точности урожая (Waheed et al,2006).

В настоящее время существует широкий спектр спутниковых данных, которые варьируются в (I) технике (активный / пассивный, радиометр / рефлектомер), (II) пространственное разрешение от субметров в километры (III) спектральный диапазон, и (IV) просмотра геометрии (Oza, 2008).

Полная коммерческая доступность с очень высоким разрешением спутниковых данных открыло ряд новых возможностей для наблюдения за Землей (НЗ). Сегодня мы можем выполнять множество приложений с данными НЗ, что в только в недавнем прошлом применялись исключительно для исследования и обследования на местах, тратилось много времени и усилий, несмотря на географическое ограничения таких данных и методов. Спутниковые снимки могут быть приобретены для любого участка в глобальном масштабе, в сроки и по определенной цене. В настоящее время высокое разрешение спутниковых снимков преодолевает предыдущий ограничения и разрешает использование таких данных, как быстрый и простой инструмент для территориального управления, в том числе сельскохозяйственной анализ, статистика и контроль субсидии. QuickBird в настоящее время спутник с самым высоким разрешением, которое доступно для сельского хозяйства и гражданских целей (рис. 2).

Спутниковые снимки QuickBird пальмовых плантации в Малакка, Малайзия

Рисунок 2 – Спутниковые снимки QuickBird пальмовых плантации в Малакка, Малайзия

Основные требования QuickBird в качестве источника информации для сельского и лесного хозяйств представлены в таблице 1.

Таблица 1 – спецификация спутниковых снимков QuickBird

Пространственное разрешение панхроматическое разрешение 0,61 м и мультиспектральный разрешение в надире 2,44 м
Спектральное разрешение четыре мультиспектральных каналов (три в видимом и один в ближнем инфракрасном)
Радиометрическое разрешение 11 бит динамический диапазон (2048 оттенков серого)
Временное разрешение Обзор зависит от угла от надира/В любом случае, приложения, требующие многовременных наблюдение с сезонной частотой могут быть легко осуществимы с данными QuickBird
Образец в диапазоне 16,5-18,0 км
Рамка 270 до более 300 км2

Новые ДЗ мультиспектральные и гиперспектральные датчики быстро формируют большой объем данных экономичным способом, более высокого пространственного и спектрального разрешения. Гиперспектральные и мультиспектральные изображения, состоящие из отражения от видимой, ближней инфракрасной и средней инфракрасной области электромагнитного спектра, можно интерпретировать с точки зрения физических параметров пальмовых плантаций в Малакка, Малайзии (например, состояние сельскохозяйственных культур и влажности почв) и могут быть использованы для таких операций, как отображение стрессов, оплодотворение, применение пестицидов и управление оросительной системой (Barnes and Baker, 2000; Barroso et al., 2008; Hinzman et al., 1986; Lelong et al., 1998; Pal and Mather, 2003; Singh et al., 2007; Tilling et al.,2007; Yang et al., 2003). Питательное содержание отличается в культурах, таких как пшеница (Lelong et al., 1998; Silva and Beyl, 2005; Tilling et al., 2007), рис–сырец( Stroppiana et al., 2008), сорго (Zhao et al., 2005) кукуруза (Samson et al., 2000), брокколи ( Shikha et al.,2007), цитрусовые ( Min, 2008), виноград (Smart et al., 2007), яблоко (Perry and Davenport, 2007) также были оценены с использованием данных гиперспектральные и мультиспектральные ДЗ. Толкование данных ДЗЗ часто помогали специализированным технологиям, таких как геостатистика, анализ и классификация изображений и искусственный интеллект.

Методы ДЗ также играют важную роль в оценки состояния посевов и прогнозирование урожайности, площади заболеваний, месторасположение стихийного бедствия и его картографирование, информация о водоснабжении и менеджменте, прогнозирование погоды, управление пастбищами и животноводством.

Недавно, снимки QuickBird и Производство эффективности модели (ПЭM) были использованы для оценки урожайности в Zhonglianchuan, холмистой местности на лессовых плато, Китае. В модели ПЭМ, урожайность была функцией фотосинтетической активной радиации (ФАР), фракции поглощаемой в процессе фотосинтеза активной радиации(fAPAR) и эффективность использования света (ЭИС). Результаты показали, что снимки QuickBird могут улучшить выходную точность оценки. Информация, извлеченная из изображения, была тесно связана с предполагаемыми данными (R2 = 0,86) (Pan et al.,2009).

Некоторые заболевания и насекомые–вредители сельскохозяйственных культур могут быть отслежены, с помощью дистанционного зондирования. Рэидель и др. (2004) представил технологию дистанционного зондирования в качестве эффективного и недорогого метода для выявления вредителей и больных растений. Они использовали методы дистанционного зондирования для выявления специфических насекомых–вредителей, различали насекомых и повреждения из–за болезней на овсе. Результаты показали, что характеристики и спектральный коэффициент отражения различаются между повреждениями от насекомых и от заражения. Инфекционист может измерить это в овсяном урожае по дистанционному зондированию, но результаты могут не совпадать с одного вегетационного периода к следующему.

Курц и др.(2009) использовали многоспектральные Landsat снимки для классификации типов растительного покрова и определения интенсивности. Категории интенсивности были определены на основе процентного соотношения неизолированной почвы, высоты травостоя и мертвого материала. Корреляционный анализ между спектральным соотношением, т.е. приведенной разности индекса растительности (NDVI) и над земной биомассой было значительным. Между тем, Моро и Тоан (2003) используют данные синтезированной аппартуры (SAR) для количественной оценки биомассы Андских водно–болотных угодий, с целью оптимизации управления животноводством. Чувствительность сигнала, соответствующим изменению биомассы, была достаточно высокой, чтобы обеспечивают высокую точность отображения биомассы.

В полузасушливых районах на северо–востоке Бразилии, Фолхес и др. (2009) использовали снимки Landsat в сочетании с моделью суммарного испарения для измерения потребления уровня воды в орошаемой зоне. Результаты показали, что комбинированный подход ДЗ и моделирования процессов приводит к более предсказуемому потреблению воды в орошаемом земледелии, и, следовательно, улучшает управление водными ресурсами на орошаемых площадях. С помощью ДЗ также возможно предоставить полезную информацию для обнаружения и карты местоположений бедствий. Данные из MODIS в НАСА (Aqua и Terra) и ЕВМЕТСАТ MSG–SEVIRI спутниковые датчики были использованы для характеристики пожарных бедствий в Свазиленде. Сочетание ДЗ и методов ГИС были использованы для характеристики географического и временного (в том числе суточного) развития пожаров июля 2007. Значительная активность огня наблюдалась в трехдневный период, начинающийся с 27 июля 2007.

В общей сложности 1358 и 4365 пожарных очагов было обнаружено MODIS и MSG SEVIRI соответственно. Результаты показали возможность использования ДЗ и ГИС для обнаружения стихийных бедствий и оценки рисков в развивающейся стране, где ресурсы мониторинга пожаров ограничены (Dlamini,2009). С другой стороны, Янг и соавт. (2007) продемонстрировали, что спутниковые ДЗ являются очень полезным методом прогнозирования количества осадков.

Моделирование дифференциального–алгебраического уравнения Ван–дер–Поля.

Применение ДЗ в сельском хозяйстве продвинулось на этап, когда используется информация из образов ДЗ для ряда решений задач на политическом уровне, связанных с продовольственной безопасностью, ликвидацией нищеты и устойчивого развития. Решение о буферном запасе продовольственного зерна может основываться на предварительном анализе посевных площадей сельскохозяйственных культур и оценки производства с учетом потенциала подземных вод. Карты служат в качестве основного источника информации в обеспечении питьевой воды и других потребностей в богарных и менее благоприятных районах. Национальное землепользование, растительный покров, почвенное картографирование и отображение пустырей помогли в расширении и интенсификация сельскохозяйственной деятельности, а также в идентификация классов продуктивности земель и индексов пригодности урожая (Venkataratnam, 2001).

Заключение

При увеличении населения во всем мире возникает необходимость в расширении сельскохозяйственного производства, существует определенная потребность в улучшенном управлении сельскохозяйственными ресурсами во всем мире. Чтобы это произошло, в первую очередь необходимо получение надежных данных не только о видах ресурсов, но и качестве, количестве и расположении этих ресурсов. Спутниковые или воздушные ДЗ технологии станут важными инструментами в улучшении нынешней системы приобретения и создания сельскохозяйственных и природных данных о ресурсах.

В настоящее время проводятся исследования сельского хозяйства во всем мире для того, чтобы собрать эмпирическую информацию о сельскохозяйственных культурах, пастбищах, скоте и других сельскохозяйственных ресурсах. Такая информация имеет решающее значение для эффективного управления истощающимися и дефицитными ресурсами. Обследования, которые основаны на концепции ТЗ, могут облегчить планирование и распределение ограниченных ресурсов для различных секторов экономики.

Технология ДЗ имеет потенциал обнаружения и определение характеристики продуктивности сельского хозяйства на основе биофизических атрибутов культур и/или почв. По существу, как и другие компоненты ТЗ, информация, полученная из данных ДЗ является более значимой при использовании в комбинации с наземными данными.

Хотя ДЗ не может охватить все типы сельскохозяйственной информации, оно может надежно обеспечить точную и своевременную информацию для управления агрономических предприятий и принятия экономических решений.

Список использованной литературы

1. Auernhammer, H., 2001. Precision farming–the environmental challenge. Comput. Elect. Agric., 30:41–33. DOI: 10.1016/S0168–1699(00)00153–8.
2. Barnes, E.M. and M.G. Baker, 2000. Multispectral data for mapping soil texture: Possibilities and limitations.Applied Eng. Agric., 16: 731–741.
3. Barroso, L.A.M., J.G. Payan and E.R. Vivoni, 2008. Quantifying water stress on wheat using remote sensing in the Yaqui Valley, Sonora, Mexico. Agric. Water Mgmt., 95: 725–736. DOI:10.1016/j.agwat.2008.01.016.
4. Casady, W.W. and H. L. Palm, 2002. Precision agriculture: Remote sensing and ground truthing. MU Extension, University of Missouri–Columbia. http://extension.missouri.edu;
5. Dlamini, W.M., 2009. Characterization of the July 2007 Swaziland fire disaster using satellite remote sensing and GIS. Applied Geogr., 29: 299–307. DOI:10.1016/j.apgeog.2008.10.007.
6. Folhes, M.T., C.D. Renno and J.V. Soares, 2009. Remote sensing for irrigation water management in the semiarid Northeast of Brazil. Agric. Water Mgmt.,96: 1398–1408. DOI: 10.1016/j.agwat.2009.04.021.
7. Hinzman, L.D., M.E. Bauer and C.S.T. Daughtry, 1986. Effects of nitrogen fertilization on growth and reflectance characteristics of winter wheat. Remote Sens. Environ., 19: 47–61. DOI: 10.1016/0034–4257(86)90040–4.
8. Jensen, J. R., 1996. Remote sensing of the environment:An Earth Resource Perspective. 3th Edn., Prentice Hall, USA, pp: 1–28.
9. Kropff, M.J., J. Wallinga and L.A.P. Lotz, 1997. Modelling for Precision Weed Management. In:Precision Agriculture: Spatial and Temporal Variability of Environmental Quality, Lake, J.V., G.R. Bock and J.A. Goode (Eds.). Chichester, Wiley, pp: 182-204.
10. Kurtz, D.B., J. Schellberg and M. Braun, 2009. Ground and satellite based assessment of rangeland management in sub‑tropical Argentina. Applied Geogr. (In Press). DOI: 10.1016/j.apgeog.2009.01.006.
11. Nowatzki, J., R. Andres and K. Kyllo, 2004. Agricultural remote sensing basics. http://www.ag.ndsu.edu.
12. Lelong, C.C.D., P.C. Pinet and H. Poilve, 1998. Hyperspectral imaging and stress mapping in agriculture: A case study on wheat in Beauce (France). Remote Sens. Environ., 66: 179-191. DOI: 10.1016/S0034-4257(98)00049-2.
13. Min, M., W.S. Lee, T.F. Burks, J.D. Jordan and A.W. Schumann, 2008. Design of a hyperspectral nitrogen sensing system for orange leaves. Comput. Elect. Agric., 63: 215-226. DOI: 10.1016/j.compag.2008.03.004.
14. Moreau, S. and T.L. Toan, 2003. Biomass quantification of Andean wetland forages using ERS satellite SAR data for optimizing livestock management. Remote Sens. Environ., 84: 477-492. DOI: 10.1016/S0034- 4257(02)00111-6.
15. Oza, S.R., S. Panigrahy and J.S. Parihar, 2008. Concurrent use of active and passive microwave remote sensing data for monitoring of rice crop. Int. J. Applied Earth Obst. Geoinform., 10: 296-304. DOI: 10.1016/j.jag.2007.12.002.
16. Pal, M. and P.M. Mather, 2003. An assessment of the effectiveness of decision tree methods for land cover classification. Remote Sens. Environ., 86: 554-565. DOI: 10.1016/S0034-4257(03)00132-9.
17. Pan, G., G.J. Sun and F.M. Li, 2009. Using QuickBird imagery and a production efficiency model to improve. Environ. Model. Software, 24: 510-516.DOI: 10.1016/j.envsoft.2008.09.014.
18. Perry, E.M. and J.R. Davenport, 2007. Spectral and spatial differences in response of vegetation indices to nitrogen treatments on apple. Comput. Elect. Agric., 59: 56-65. DOI: 10.1016/j.compag.2007.05.002.
19. Riedell, W.E., S.L. Osborne and L.S. Hesler, 2004. Insect pest and disease detection using remote sensing techniques. Proceedings of 7th International Conference on Precision Agriculture. Minneapolis, MN USA. ttp://www.ars.usda.gov.
20.Samson, G., N. Tremblay, A.E. Dudelzak, S.M. Babichenko, L. Dextraze and J. Wollring, 2000. Nutrient stress of corn plants: Early detection and discrimination using a compact multiwavelength fluorescent lidar. Proceedings of EARSeL-SIG-Workshop LIDAR, June 16-17, Dresden/FRG, pp: 214-223. http://www.eproceedings.org.
21. Schellberg, J., M.J. Hill, R. Gerhards, M. Rothmund and M. Braun, 2008. Precision agriculture on grassland: Applications, perspectives and constraints. Eur. J. Agron., 29: 59-71. DOI: 10.1016/j.eja.2008.05.005 Shikha, D.M.E., P. Waller, D. Hunsaker, T. Clarke and E. Barnes, 2007. Ground based remote sensing for assessing water and nitrogen status of broccoli. Agric. Water Mgmt., 92: 183-193. DOI: 10.1016/j.agwat.2007.05.020.
22. Silva, T.A. and C.A. Beyl, 2005. Changes in spectral reflectance of wheat leaves in response to specific macronutrient deficiency. Adv. Space Res., 35: 305-317. DOI: 10.1016/j.asr.2004.09.008 Singh, D., Sao, R. and Singh, K.P. 2007. A remote sensing assessment of pest infestation on sorghum. Adv. Space Res., 39: 155-163. DOI: 10.1016/j.asr.2006.02.025.
23. Smart, D.R., M.L. Whiting and C. Stockert, 2007. Remote sensing of grape K deficiency symptoms using leaf level hyperspectral reflectance. Proceedings of Western Nutrient Management Conference, March 6- 8, Salt Lake City, UT., pp: 19-24. http://cropandsoil.oregonstate.edu.
24. Stroppiana, D., M. Boschetti, P.A. Brivio and S. Bocchi, 2008. Plant nitrogen concentration in paddy rice from field canopy hyperspectral radiometry. Field Crop Res., 111: 119-129. DOI: 10.1016/j.fcr.2008.11.004.
25. Tellaeche, A., X.P. BurgosArtizzu, G. Pajares, A. Ribeiro and C.F. Quintanilla, 2008. A new vision-based approach to differential spraying in precision agriculture. Comput. Elect. Agric., 60: 144-155. DOI: 10.1016/j.compag.2007.07.008.
26. Tilling, A.K., G.J. O’Leary, J.G. Ferwerda, S.D. Jones, and G.J. Fitzgerald, 2007. Remote sensing of nitrogen and water stress in wheat. Field Crop Res., 104: 77-85. DOI: 10.1016/j.fcr.2007.03.023.
27. Venkataratnam, L., 2001. Remote sensing and GIS in agricultural resources management. Proceedings of the 1st National Conference on Agro-Informatics, June 3-4, Dharwad, India, pp: 20-29. http://www.insait.org.
28. Waheed, T., R.B. Bonnell, S.O. Prasher and E. Paulet, 2006. Measuring performance in precision agriculture: CART-A decision tree approach. Agric. Water Mgmt., 84: 173-185. DOI: 10.1016/j.agwat.2005.12.003.
29. Yang, C.C., S.O. Prasher, P. Enright, C. Madramootoo and M. Burgess, 2003. Application of decision tree technology for image classification using remote sensing data. Agric. Syst., 76: 1101-1117. DOI: 10.1016/S0308-521X(02)00051-3.
30. Yang, Y., H. Lin, Z. Guo and J. Jiang, 2007. A data mining approach for heavy rainfall forecasting based on satellite image sequence analysis. Comput. Geosci., 33: 20-30. DOI: 10.1016/j.cageo.2006.05.010.
31. Zhang, N., M. Wang and N. Wang, 2002. Precision agriculture: A worldwide overview. Comput. Elect. Agric., 36: 113-132. DOI: 10.1016/S0168- 1699(02)00096-0.
32. Zhao, D., K.R. Reddy, V.G. Kakani and V.R. Reddy, 2005. Nitrogen deficiency effects on plant growth, leaf photosynthesis and hyperspectral reflectance properties of sorghum. Eur. J. Agron., 22: 391-403. DOI: 10.1016/j.eja.2004.06.005.