Потенциал гиперспектрального дистанционного зондирования для полевого картографирования почв и точного земледелия

Raffaele Casa,1 Fabio Castaldi,1 Simone Pascucci,2 Stefano Pignatti2
1Dipartimento di Scienze e Tecnologie per l'Agricoltura, le Foreste, la Natura e l'Energia (DAFNE), Università della Tuscia, Viterbo; 2Istituto di Metodologie per l'Analisi Ambientale, Consiglio Nazionale delle Ricerche (CNR IMAA), Tito Scalo (Potenza), Italy

Аннотация

Картирование внутриполевых изменений свойств почвы открывает возможность применения различных агрономических методов управления и технологий точного земледелия с потенциальными экологическими и экономическими выгодами. Однако чрезмерная стоимость систематического прямого отбора проб почвы серьёзно ограничивает практическую осуществимость управления, ориентированного на конкретные участки, на основе информации об изменчивости почвы. Дистанционное зондирование предлагает экономически эффективный и действенный способ сбора большого объёма информации о свойствах почвы. Целью настоящей работы была оценка потенциала спутниковых гиперспектральных изображений для картирования свойств почвы в пахотном слое сельскохозяйственных полей в контексте применения точного земледелия.

Спутниковые снимки CHRIS-PROBA были получены с двух полей с открытой почвой, и была оценена их способность предоставлять оценки текстуры почвы и содержания органического вещества (SOM) в масштабе поля. Модели регрессии методом частичных наименьших квадратов (PLSR) были разработаны на наборах данных, пространственно независимых от тех, которые использовались для валидации. Глина и песок могли быть оценены со средней точностью, со значениями RPD (отношение производительности к отклонению) выше 1,4. Значения среднеквадратической ошибки (RMSE) были получены для глины на двух полях соответственно 3,7 и 5,2. Оценки SOM оказались неудовлетворительными, вероятно, из-за ограниченного диапазона пространственной изменчивости на изучаемых полях.

Карты однородных почвенных зон были получены на основе измеренных и оцененных данных по текстуре почвы с помощью нечеткой классификации c-means. Полученные карты затем были использованы для параметризации простой модели водного баланса, то есть CropWat8.0, для моделирования и сравнения стратегий равномерного и переменного полива. Результаты моделирования показывают, что орошение, учитывающее особенности участка, позволяет значительно снизить потери воды за счет глубокой фильтрации, которые происходят, когда график и объемы полива рассчитываются на основе средних полевых свойств почвы. В настоящей статье демонстрируется полезность спутниковых гиперспектральных данных для картирования пространственной изменчивости почвы в масштабе поля, предоставляя полезную информацию для приложений точного земледелия.

Введение

Информация об изменчивости свойств почвы на сельскохозяйственных полях имеет первостепенное значение для реализации специализированных на участке агрономических стратегий управления. Методы ведения сельского хозяйства,
специализированные на участке, учитывают эту изменчивость и позволяют более эффективно использовать такие ресурсы, как вода и удобрения (Гебберс и Адамчук, 2010). Однако практических решений для быстрого и недорогого картирования свойств почвы до сих пор не существует. Наличие подробной информации о свойствах почвы в масштабе поля, как правило, недостаточно для применения специализированных методов, что в настоящее время является ограничивающим фактором для их внедрения, учитывая чрезмерную стоимость пространственно плотного отбора проб и анализа почвы. Следовательно, существует большой интерес к разработке недорогих и быстрых методов картирования почвы, и в этом контексте проксимальное зондирование почвы, основанное на измерении геоэлектрических или спектральных свойств почвы, по-видимому, открывает хорошие возможности (Вискарра Россель и др., 2011). Дистанционное зондирование с воздуха, и особенно с космических платформ, теоретически было бы даже более привлекательным, чем проксимальное зондирование почвы, благодаря его более низкой стоимости и возможности избежать использования специального полевого оборудования. В частности, гиперспектральное дистанционное зондирование имеет потенциал в этом смысле (Ben-Dor et al., 2009), хотя существует ряд проблем, ограничивающих его применение: небольшой диапазон вариации свойств почвы в пределах поля, требование высокого пространственного разрешения, сложность соотнесения измеренных свойств поверхности почвы с переменными, представляющими агрономический интерес, по всему обрабатываемому слою.

Существует очень мало примеров исследований такого рода применений, использующих спутники с гиперспектральными возможностями, в частности, CHRIS-PROBA (компактный спектрометр высокого разрешения с функцией сканирования с помощью толкающего сканера Европейского космического агентства). В ближайшие несколько лет запуск спутников с гиперспектральными датчиками высокого пространственного разрешения, таких как немецкий EnMAP (Kaufman et al., 2006) или итальянский PRISMA (Labate et al., 2009), может открыть новые возможности для дистанционной оценки свойств почвы.

Целью данного исследования была оценка потенциала CHRIS, и, в перспективе, будущих датчиков, для оценки свойств почвы, а также оценка их потенциальной пользы для приложений точного земледелия на примере, касающемся переменных стратегий орошения.

Материалы и методы

Спутниковые гиперспектральные изображения были получены CHRIS-PROBA над двумя полями с открытой почвой в Маккарезе (Рим, Италия) 27 апреля 2007 г. и 25 мая 2010 г. CHRIS был настроен на режим 5, включающий 37 каналов в видимом и ближнем инфракрасном диапазонах (442–1019 нм) с размером пикселя 17 м. Данные CHRIS были предварительно обработаны с помощью программного обеспечения CHRIS-Box (VISAT 4.7). Вертикальные полосы были уменьшены с помощью алгоритма Гомес-Чова и др. (2008). Атмосферная коррекция была выполнена с использованием модуля FLAASH, реализованного в ENVI 4.7 (ITT VIS, Боулдер, Колорадо, США). Полученные значения коэффициента отражения были дополнительно геокодированы в средней проекции UTM ED 1950 и скорректированы с использованием 30 наземных контрольных точек Точки для каждого поля были взяты с региональной технической карты Лациума в масштабе 1:10 000. Дальнейшая доработка включала применение процедуры локального искажения (повторная выборка ближайшего соседа) с использованием ортофотографии (разрешение 0,5 м) выбранной области в качестве эталона (Дай и Хоррам, 1998). Среднеквадратичное отклонение составило 0,61 пикселя относительно ортофотоснимка.

В течение нескольких дней, непосредственно после получения спутниковых данных, был проведен систематический отбор проб почвы по приблизительной сетке с шагом 40 м. Образцы были отобраны в слое почвы 0–30 см на участке площадью 11 га поля, кодируемого как B064, и на двух участках площадью 15 и 12 га поля, кодируемого как B071, соответственно. Образцы были высушены и просеяны с размером ячеек 2 мм. Анализ размера частиц и анализ органического вещества почвы (ОВП) были проведены для всех 97 образцов поля B064 и 117 образцов поля B071. Затем данные были интерполированы методом блочного кригинга с использованием моделей стабильной или сферической вариограммы до того же пространственного разрешения и сетки пикселей CHRIS. Таким образом, спектр отражения каждого пикселя на изображении CHRIS был связан с соответствующими свойствами почвы.

Спектральное поведение набора из 146 образцов почвы в диапазоне влажности изучалось в лаборатории с использованием спектрорадиометра Analytical Spectral Devices (ASD) Field Spec Fr Pro 104, который измеряет яркость в спектральном диапазоне 350–2500 нм, преобразуемую в отражательную способность с помощью калиброванной панели Spectralon. Образцы почвы помещали в чашки Петри на черную поверхность, а спектры регистрировали в темноте с помощью контактного (растительного) зонда ASD с внутренним источником света на расстоянии нескольких мм от почвы. Спектроскопические измерения проводились при различной влажности: сначала образцы оставляли на влажном песке до насыщения, затем собирали спектры, взвешивали и затем помещали в сушильный шкаф при температуре 80 °C примерно на 30 минут, прежде чем снова регистрировать другие спектры. Эту последовательность повторяли до полного высыхания образцов.

Целью таких испытаний была проверка того, является ли изменение влажности почвы искажающим фактором для определения текстуры почвы и содержания органического вещества. По этой причине были проведены предварительные испытания, путем проведения оценок отдельно для трех групп образцов сухой, влажной и средней влажности, а также для наборов смешанной влажности, т.е. включая как сухие, так и влажные образцы. Поскольку измерения влажности почвы не проводились во время спутниковых съемок, не было возможности провести испытания, используя тот же уровень влажности почвы, соответствующий полученным спектрам CHRIS-PROBA. Во всех испытаниях лучшие результаты всегда были получены при использовании наборов смешанной влажности. Поэтому во всех последующих испытаниях мы использовали наборы данных, содержащие спектры при различной влажности почвы. Лабораторные спектры были разделены на два случайно извлеченных набора: две трети для калибровки и одна треть для валидации: 51 и 26 для поля B064 и 46 и 23 для поля B071 оответственно.
Все спектры были преобразованы в единицы поглощения как log(1/R), где R — значение коэффициента отражения, поскольку предварительные испытания показали, что использование поглощения позволяет уменьшить количество компонентов в PLSR
(см. далее). Сглаживание лабораторных спектров применялось с использованием фильтра Савицкого-Голея (диапазон = 15, степень = 2). Кроме того, последние спектры были также передискретизированы в те же диапазоны длин волн датчика CHRIS, чтобы исследовать влияние сужения спектрального диапазона и разрешения.

Частичная регрессия наименьших квадратов (PLSR) использовалась для разработки статистических моделей оценки свойств почвы для лабораторных и спутниковых наборов данных. Этот многомерный статистический метод позволяет сократить количество предикторов, обеспечивая оптимальную линейную модель с ограниченным числом факторов (Viscarra Rossel, 2008; Wold et al., 1983).

Перекрестная проверка с исключением одного (исключением одного) использовалась для определения количества сохраняемых факторов, используя наборы калибровочных данных, путем вычисления относительной среднеквадратической ошибки прогноза (RRMSEp). В этой процедуре изменение значений RRMSEp в ответ на увеличение числа факторов позволяет определить наименьшее количество факторов, для которых модель работает хорошо, избегая переобучения, поскольку выбор слишком большого числа факторов обеспечит хорошую работу моделей только на тех данных, на которых они были откалиброваны (Viscarra Rossel, 2008). После определения оптимального количества факторов, полученных в результате перекрестной проверки с исключением одного, калибровочные модели были применены к независимым проверочным наборам. Калибровочные данные изображения CHRIS были получены из центральной полосы поля B064 (147 пикселей, т.е. спектры), а проверочные данные – из боковых частей исследуемой области (232 пикселя), тогда как для поля B071 для калибровки использовался северо-западный участок поля площадью 15 га (549 пикселей), а для проверки – юго-восточный участок площадью 12 га (389 пикселей). Качество оценок оценивалось путем вычисления среднеквадратичной ошибки (RMSE) и отношения качества к отклонению (RPD) (Chang и Laird, 2002). Предполагается, что модели с RPD>2 могут точно прогнозировать, модели с RPD от 2 до 1,4 являются промежуточными, а модели с RPD<1, не обладают способностью к прогнозированию (Chang and Laird, 2002; Gomez et al., 2008).

Чтобы оценить потенциальную полезность информации о внутриполевой изменчивости текстуры почвы, было проведено моделирование различных сценариев орошения путем применения модели суточного баланса влажности почвы и графика орошения к 28-летним метеорологическим данным из Маккарезе. Использовалась модель CropWat 8.0 (ФАО, 2009). Параметризация почвы была основана на использовании зон однородного механического состава почвы, полученных либо из блочного кригинга, либо из оценок PLSR. Для этой цели данные о почве были кластеризованы в классы с помощью нечеткой классификации c-средних, реализованной с помощью программного обеспечения Management Zone Analyst (MZA) (Fridgen et al., 2004), что позволило определить оптимальное количество классов почвы на основе минимумов индекса нечеткости и нормализованной энтропии классификации. Предполагалось, что эти классы соответствуют однородным зонам почвы. Классификация была выполнена с использованием почвенных данных, полученных как из блочного кригинга, так и из оценок PLSR, в результате чего для каждого поля было получено 6 классов для двух источников данных. Средние свойства почвы каждого класса почвы, а также средние значения поля, были использованы для расчета параметра почвы, запрашиваемого CropWat, с помощью функций педотрансфера (Saxton and Rawls, 2006), предполагая их однородность по профилю. Моделирование с использованием модели CropWat использовалось для оценки i) потенциальной полезности стратегии пространственно-изменчивого орошения и ii) последствий использования несовершенных знаний о свойствах почвы, полученные из оценок CHRIS PLSR, для управления пространственно-изменчивым орошением.

Сравнивались три сценария орошения: i) равномерное орошение (UNI), при котором оптимальный график орошения, соответствующий решению о поливе при истощении почвенной влаги, с дозаправкой почвы до полевой влагоемкости при каждом поливе, рассчитывался на основе средних полевых свойств почвы, но применялся к разным почвам классов блочного кригинга; ii) орошение с переменной нормой полива на основе измеренных свойств почвы (VRI), при котором оптимальный график орошения рассчитывался на основе свойств почвы классов блочного кригинга с применением этих же классов; iii) орошение с переменной нормой полива на основе свойств почвы, оцененных по данным PLSR (VRI-PLSR), при котором оптимальный график орошения рассчитывался на основе свойств почвы классов PLSR с применением классов, полученных с помощью блочного кригинга. Следует отметить, что сценарий UNI представляет собой практику, применяемую, когда известны только средние свойства почвы поля, VRIs представляет собой практику, применяемую, когда изменчивость свойств почвы по полям точно известна, а сценарий VRI-PLSR моделирует ситуацию, в которой имеются неполные данные о свойствах почвы, например, из оценок гиперспектральных данных CHRIS. Для сценария VRI, в котором применяется орошение переменной нормой (VRI), используя суточный баланс почвенной влаги на основе предполагаемых правильных свойств почвы, потенциальная урожайность всегда достигается, и потерь при орошении из-за глубокой фильтрации не происходит. Напротив, когда график полива определяется на основе среднего значения почвы для всего поля, но применяется к различным классам почв, выявленным с помощью кластеризации MZA данных блочного кригинга (т. е. сценарий UNI), могут иметь место как потери при орошении, так и снижение потенциальной урожайности.

Сезонные итоги полива по всем полям, потери воды при глубоком просачивании и потенциальное снижение урожайности были рассчитаны для каждого сценария за 28 лет данных с учетом площади, занятой каждым классом почв. CropWat рассчитывает снижение урожайности из-за стресса почвенной влаги как процент от максимальной урожайности, достижимой на данной территории при оптимальных условиях, используя подход FAO33 (Doorenbos and Kassam, 1979).

Результаты

PLSR, проведенный с использованием спектров ASD полного диапазона (от 400 до 2500 нм), позволил разработать модели с хорошей предсказательной способностью для месторождения B064, для оценки содержания глины, песка (RMSE = 2,78, RPD = 3,02, с 9 компонентами) и ила (RMSE = 1,07, RPD = 3,97, с 16 компонентами). Процент дисперсии, объясняемой компонентами PLSR, минимизирующими RRMSEp при перекрестной проверке с исключением одного, составил 93% для глины, 94% для песка и 99% для ила. Напротив, SOM был оценен со RMSE 0,13 и RPD 1,07 с помощью PLSR с 14 компонентами. Низкая эффективность оценки органического вещества, вероятно, связана с тем, что низкие значения SOM (<3,5%), как было обнаружено, оказывают лишь минимальное влияние на спектральный отклик (Gomez et al., 2008). Кроме того, диапазон измеренных значений SOM был довольно узким, от 1,76% до 2,24%, что, вероятно, было недостаточно для разработки адекватно калиброванной модели.

Аналогичные хорошие результаты оценки текстуры почвы с использованием полных спектров были получены для поля B071. Глина и песок были оценены по 5 факторам PLSR, получив хорошие значения RPD, соответственно 2,1 и 2,2, и значения RMSE 4,9 и 5,5. Ил показал промежуточные результаты, со значениями RPD 1,5 и RMSE 2,8, тогда как модели, разработанные для органического вещества почвы, показали плохие результаты, со значениями RPD всегда ниже 1,4. Использование лабораторных данных с ограниченным спектральным диапазоном и разрешением, соответствующими диапазонам волн CHRIS, повлияло на производительность разработанных моделей PLSR. Тем не менее, предсказательная способность по-прежнему была хорошей, с 12-компонентным PLSR, который объяснял 92% дисперсии для глины (RMSE = 2,26, RPD = 2,12), песка (RMSE = 2,90, RPD = 2,89) с 8 компонентами, объясняющими 95% дисперсии, и ила (RMSE = 0,94, RPD = 4,50) с 8 компонентами, объясняющими 93% дисперсии. Оценка SOM была немного хуже, чем с использованием спектров полного диапазона (RMSE = 1,10, RPD = 0,41 с 8 компонентами, которые объясняют 60% дисперсии). Для полевого образца B071 лабораторные данные, пересчитанные в спектральный диапазон CHRIS, и разрешение позволили получить модели с 6 факторами со средней прогностической способностью для глины (RPD = 1,6 и RMSE = 6,1) и песка (RPD = 1,6 и RMSE = 7,6), тогда как неудовлетворительные результаты были получены для ила (RPD = 1,2 и RMSE = 3,5) и органического вещества почвы (RPD < 1,4). Использование реальных спутниковых данных с использованием спектров, извлеченных из пикселей изображения CHRIS, все же позволило оценить содержание глины для полевого образца B064, хотя и с гораздо более низкой эффективностью по сравнению с лабораторными спектрами (рисунок 1).

Кумулятивная дисперсия, объясняемая 6 компонентами PLSR, составила 67%, а значение RPD указывало на то, что модель PLSR немного превышала пороговое значение, позволяющее считать ее обладающей какой-либо прогностической способностью, тогда как другие свойства почвы были ниже этого значения. С другой стороны, для всех остальных свойств значения RPD были ниже 1,4 (данные не представлены). Для поля B071 модели с промежуточной прогностической способностью были получены для глины и песка (рисунок 2), но ни для ила, ни для SOM. Карты свойств, оцененных по PLSR, имеющим RPD>1,4, показали хорошее совпадение с картами кригированных измерений глины (рисунок 3). На основании этих результатов оценки глины и песка были сохранены, тогда как ил оценивался как дополнение к 100, а среднее содержание органического вещества в почве предполагалось постоянным для всех полей. Эти оценки, а также данные блочного кригинга, полученные из измерений почвы, были использованы для выделения зон однородного гранулометрического состава почвы с помощью программного обеспечения MZA (Fridgen et al., 2004). Для каждого случая было получено 6 классов (рисунок 4). Следует отметить, что классы, полученные с помощью блочного кригинга, предположительно представляют истинные типы почв, тогда как классы, полученные с помощью PLSR, включают неопределенности и ошибки, полученные в результате процедуры оценки.

Моделирование CropWat показало, что при использовании стратегии равномерного орошения (UNI) потери воды из-за просачивания в среднем составили 79 мм для поля B071 и 15,4 мм для поля B071. Для обоих полей, B064 и B071, общие объемы полива, примененные в течение сезона, существенно не различались между тремя сценариями (рисунки 5a и 6a). Однако различия в потерях воды из-за просачивания были статистически значимыми между стратегиями орошения, хотя и значительно различались между полями. На поле B064 при использовании стратегии UNI в среднем теряется всего на 4 мм больше оросительной воды по сравнению с VRI PLSRB (рисунок 6b), хотя эта разница статистически значима для парного t-критерия средних значений (P < 0,01). На поле B071 применение стратегии UNI приводит в среднем к потерям на 62 мм больше, чем при применении стратегии VRI-PLSR (P < 0,001) (рисунок 5b). Снижение урожайности составило в среднем 8,1% и 6,5% соответственно при применении UNI и VRI-PLSR на поле B071 (рисунок 5c). На поле B064 разница в снижении урожайности между UNI и VRI-PLSR была больше, т.е. она составила 7,6% и 1,1% соответственно (рисунок 6c).

Обсуждение

Данная работа представляет собой первый шаг к разработке количественной и сравнительной оценки потенциала гиперспектральных спутниковых данных в контексте почвенного картирования для точного земледелия. В последние десятилетия было предпринято несколько попыток использования спутникового дистанционного зондирования для оценки свойств почвы (Ben-Dor и др., 2009; Ge и др., 2011; Mulder и др., 2011), но до недавнего времени большинство попыток выполнялось с использованием данных с низким спектральным и/или пространственным разрешением, что позволяло проводить преимущественно качественные определения в региональном масштабе. Для более количественных применений в полевых условиях необходимы данные с высоким спектральным и пространственным разрешением (Ben-Dor и др., 2009; Mulder и др., 2011). Ожидается, что наличие более полных спектральных сигнатур от гиперспектральных датчиков, включение коротковолнового инфракрасного (SWIR) диапазона и повышение качества радиометрических данных расширят возможности оценки. Многомерная калибровка и хемометрические методы, широко используемые в лабораторных и полевых условиях, могут быть использованы с гиперспектральными данными для оценки нескольких свойств почвы (Viscarra Rossel, 2008; Ge et al., 2011).

Наши результаты, полученные с использованием данных, полученных в лабораторных условиях, по-видимому, свидетельствуют о том, что, несмотря на суженный спектральный диапазон прибора CHRIS, который отсекает характеристики, которые, как известно, существенно связаны со свойствами почвы, такие как глина и SOM (Ben-Dor et al., 2009), все еще возможно количественно оценить переменные текстуры почвы. Использование спутникового сигнала CHRIS Рисунок 5. Результаты моделирования для сравнения стратегий орошения для поля B071. A) общий сезонный полив. B) потери воды при орошении из-за просачивания. C) снижение потенциальной урожайности. данные включают в себя включение ошибок, связанных с радиометрическими, геометрическими и атмосферными эффектами, а также проблем масштабирования, связанных с размером пикселя и кригингом наземных данных свойств почвы. Поэтому неудивительно, что модели PLSR, разработанные с использованием реальных данных CHRIS, имеют значительно худшую производительность по сравнению с лабораторными данными со спектральным диапазоном CHRIS и разрешением. На оценку свойств почвы также, возможно, влияет искажающее влияние влажности почвы. Тем не менее, несмотря на эти недостатки, модели со средней прогностической способностью были получены в поле B064 для глины и в поле B071 для глины и песка.

Потенциальная ценность этой информации для точного земледелия была оценена на очень простом примере, с помощью моделирования различных стратегий орошения. Модель CropWat8.0, использованная для такой оценки, была выбрана из-за ее чрезвычайной простоты, что требует минимального количества входных параметров. Можно было бы использовать гораздо более сложные модели, что позволило бы проводить более сложный анализ, хотя их параметризация могла бы создать больше проблем. Кроме того, следует отметить, что для этой оценки были приняты некоторые довольно нереалистичные предположения. К ним относятся: i) однородность свойств почвы по всему профилю; ii) качество функций педотрансфера, используемых для получения параметров почвы из текстуры и SOM; iii) качество оценок блочного крингинга; iv) качество кластеризации MZA.

Несмотря на эти ограничения, результаты данного анализа указывают на потенциальное преимущество в управлении орошением с учетом пространственной изменчивости почвы. Действительно, испытания, проведенные с использованием CropWat, подчеркивают потенциальные преимущества, возникающие в результате принятия стратегии VRI, даже когда график полива основан на несовершенной информации, например, полученной из результатов CHRIS Proba PLSR.

Использование стратегии переменного орошения привело не к уменьшению расхода воды, а скорее к ее более эффективному использованию, снижению потерь из-за чрезмерных норм полива и снижению водного стресса, приводящего к снижению урожайности. Были обнаружены довольно интересные различия между двумя полями эксперимента. Различия в потерях воды при орошении между стратегиями UNI и VRI-PLSR были значительно выше для поля B071, чем для поля B064. Это можно объяснить большей пространственной изменчивостью текстуры почвы на этом поле по сравнению с B064. Коэффициенты вариации для глины, ила и песка составили 12%, 11% и 20% для поля B064 и 21%, 29% и 21% для поля B071 соответственно. Это подчеркивает тот факт, что потенциальное преимущество принятия стратегии орошения, специфичной для конкретного участка, зависит от пространственной изменчивости почвы на поле. В заключение, ценность знаний об изменчивости текстуры почвы в масштабе поля для приложений точного земледелия предполагает рассмотрение спутниковых гиперспектральных данных, которые будут становиться все более доступными в будущем, в качестве дополнительного источника информации, ведущего к возможному синергетическому использованию с другой информацией, например, полученной с помощью геоэлектрических и проксимальных почвенных зондов (Viscarra Rossell et al., 2011).

Ссылки

Ben Dor E, Chabrillat S, Dematté JAM, Taylor GR, Hill J, Whiting ML, Sommer S, 2009. Using imaging spectroscopy to study soil proper ties. Remote Sens. Environ. 113:S38-S55.
Berk A, Bernstein LS, Anderson GP, Acharya PK, Robertson DC, Chetwynd JH, Adler-Golden SM, 1998. MODTRAN Cloud and Multiple Scattering Upgrades with Application to AVIRIS. Remote Sens. Environ. 65:367-375.
Chang CW, Laird DA, 2002. Near-infrared reflectance spectroscopic analysis of soil C and N. Soil Sci. 167:110-116.
Dai X, Khorram S, 1998. The effects of image mis-registration on the accuracy of remotely sensed change detection. IEEE Trans. Geosci. Remote Sens. 36:1566-1577.
Doorenbos J, Kassam AH, 1979. Yield response to water. FAO Irrigation and Drainage Paper No. 33. FAO, Rome, Italy.

FAO, 2009. CROPWAT 8.0 for Windows. Water Resources Development and Management Service. Land and Water Development Division. Available from: http://www.fao.org/nr/water/inforeses_databases_cropwat.html

Friden JJ, Kitchen NR, Suddeth KA, Drummond ST, Wiebold WJ, Fraisse CW, 2004. Management Zone Analyst (MZA): Software for Subfield Management Zone Deliniation. Agron. J. 96:100-108.
Ge Y, Thomasson A, Sui R, 2011. Remote sensing of soil properties in precision agriculture: a review. Front. Earth Sci. 5:229-238.

Gebbers R, Adamchuk VI, 2010. Precision agriculture and food security. Science 327:828-831.
Gomez-Chova L, Alonso L, Guanter L, Camps-Valls G, Calpe J, Moreno J, 2008. Correction of systematic spatial noise in push-broom hyperspectral sensors: application to CHRIS/PROBA images. Appl. Opt. 47: F60-F66.

Gomez C, Viscarra Rossi RA, McBratney AB, 2008. Soil organic carbon prediction by hyperspectral remote sensing and field vis NIR spectroscopy: an Australian case study. Geoderma 146:403-411.

Kaufmann H, Seg K, Chabrillat S, Hofer S, Stuffer T, Mueller A, Richter R, Schrieber G, Haydn R, Bach H, 2006. EnMAP - A hyperspectral sensor for environmental mapping and analysis. pp. 1617-1619 in Proc. Int. Geoscience and Remote Sensing Symp. (IGARSS), Denver, CO, USA.

Labate D, Cicecini M, Cisani A, Decoso V, Galeazzi C, Giunti L, Melozzi M, Pierianni S, Stagi M, 2009. The PRISMA payload optomechanical design, a high performance instrument for a new hyperspectral mission. Acta Astronaut. 65:1429-1436.

Mulder VL, de Bruin S, Schaepman ME, Mayr TR, 2011. The use of remote sensing in soil and terrain mapping - A review. Geoderma 162:1-19.

Saxton KE, Rawls WJ, 2006. Soil water characteristic estimates by texture and organic matter for hydrologic solutions. Soil Sci. Am. J. 70:569-578.

Viscarra Rossi RA, 2008. ParSel: software for chemometric analysis of spectroscopic data. Chemometr. Intell. Lab. 90:72-83.

Viscarra Rossi RA, Adamchuk VI, Suddeth KA, McKenzie NJ, Loss C, 2011. Proximal Soil Sensing. An effective approach for soil measurement in space and time. Adv. Agron. 113:237-282.

Wold S, Martens H, Wold H, 1983. The multivariate calibration problem in chemistry solved by the PLS method. In: A. Ruhe and B. Kågström (eds.), Proc. Conf. on Matrix Pencils. Lect. Notes Math. 973:286-293.