Ver discussões, estatísticas, e autor de perfis para esta

publicação em:
Sensoriamento Remoto, https://www.researchgate.net/publication/228768339
de cropland Agricultura
Artigo · Janeiro de 2009
DOI: 10.4135/9780857021052.n26

13 3643 leituras citações de

autores, incluindo:
Kevin Preço Donald C Rundquist AgPixel, LLC University of
Nebraska at Lincoln
92 Publicações Publicações
5.343 158 4.385 CITAÇÕES CITAÇÕES
Ver perfil Ver perfil
alguns dos autores desta publicação também estão
trabalhando sobre estes projetos relacionados:
Estudar a qualidade da água salgada do Kuwait ver
todo o conteúdo do projeto seguinte Esta página foi carregado por
Kevin Preço em 11 de Dezembro de 2014.
O usuáriosolicitou a valorização do arquivo
baixado.

Recursos Naturais, Faculdade de

papéis em Recursos Naturais,
Universidade de Nebraska - Lincoln Ano
de Sensoriamento Remoto de cropland Agricultura
∗ M. Duane Nellis † Kevin P. Total
‡
∗Donald Rundquist Kansas State University
University of Kansas †
 ‡drundquist1@unl.edu da Universidade de Nebraska-Lincoln, este papel é postado em
DigitalCommons@University of Nebraska - Lincoln.
http://digitalcommons.unl.edu/natrespapers/217

Publicada em:
O SÁBIO Manual de sensoriamento remoto. 2009. SAGE Publications. 14 Abr. 2010.
<http://www.sage-ereference.com/hdbk_remotesense/Article_n26.html>.
Capítulo DOI: 10.4135/978-1-8570-2105-9.n26

Detecção Remota de cropland Agricultura

M. Duane Nellis, Kevin P. Preço, Rundquist e Donald
M. Duane Nellis é Provost e Vice-presidente sênior, bem como professor de geografia, na
Kansas State University.
Publicou mais de 100 artigos e mais de uma dezena de livros e capítulos de livros sobre
vários aspectos de sensoriamento remoto e GIS para avaliação de recursos naturais, e outras
dimensões da geografia rural. Ele é ex-presidente da Associação de Geógrafos Americanos
(AAG), e o Conselho Nacional de Educação Geográfica (NCGE). Nellis também serviu como
co-editor do GIS/Geocarto sensoriamento remoto oficial internacional. Ele recebeu várias
homenagens e prêmios, incluindo prêmios nacionais da AGA, eleição como membro da
Associação Americana para o Avanço da Ciência (AAAS), a Sociedade Geográfica Real, e o
Clube de Desbravadores. Além disso, ele é passado, Presidente do Grupo theAAG especialidade
de sensoriamento remoto e de grupos, que recebeu importantes contribuições Award. Na Kansas
State University, recebeu o TeachingAward pendentes, o Phi Kappa Phi Pesquisa ScholarsAward
OutstandingAdvisorAward, e a Universidade. Nellis concluiu sua graduação na Montana State
University e seu mestrado e doutorado na Universidade do Estado de Oregon. Ele iniciou sua
carreira acadêmica na Kansas State University, onde ele passou de assistente a Professor Titular,
e onde ele serviu como o chefe do Departamento de Geografia de andAssociate Dean das Artes
e das Ciências. Em 1997, ele foi nomeado decano da Faculdade Eberly das Artes e Ciências em
West Virginia University. Em 2004 ele retornou para Kansas State University, onde serviu como
Provost e Vice-presidente. Ele foi nomeado presidente da Universidade de Idaho em 2009.
 Kevin P. Preço é Professor de Geografia e serviu como diretor associado do Kansas
Aplicada de Sensoriamento Remoto (KARS) Programa para 15 anos na Universidade de Kansas
(KU). Enquanto em KU, ele também manteve um encontro de cortesia no Programa de Estudos
Ambientais. Recentemente, ele aceitou uma nova posição na Kansas State University (KSU), e
terá um compromisso conjunto em agronomia e Geografia A partir de agosto de 2008. Dada a
sua formação académica e interesses agrícolas, ele espera trabalhar em ksu, que é uma respeitada
escola agrícola.
Ele tem sido o destinatário de prémios nacionais de serviço dentro da comunidade de
sensoriamento remoto e serviu como o Presidente Associado e Presidente da especialidade de
Sensoriamento Remoto grupo da associação de Geógrafos Americanos. Ele também atuou em
dois National Research Council (NRC) comissões que abordou questões do desenvolvimento
sustentável em África e ambientais da utilização de dados de satélite. Sua formação acadêmica
inclui Doutorado em Geografia (especialidade em biogeografia, sensoriamento remoto e GIS) da
Universidade de Utah, e bacharelado e mestrado em ciência da faixa na Universidade Brigham
Young. Antes de vir para a KU, ele era um professor assistente em Geografia na Utah State
University, onde ele também serviu como um professor adjunto no Departamento de Ciências
Florestais, Gama, Pesca e Vida Selvagem, paisagem e arquitetura. Dr. Preço de investigação tem
incidido sobre o uso de ferramentas no estudo GISciences de "natural" e anthropogenically
conduzido forcings que influencia ecossistema (incluindo a agro-ecossistema) dinâmica. Ele
realizou pesquisas durante todo a maioria das regiões do mundo, e é o autor ou co-autor de mais
de 230 publicações e um investigador em 75 Subvenções e contratos de investigação.

Donald Rundquist é um professor com a Escola de Recursos Naturais, Instituto de

Agricultura e Recursos Naturais, Universidade de Nebraska-Lincoln (UNL). Ele também atua
como diretor do Centro de Gestão Avançada de Tecnologias de Informação (CALMIT).
Rundquist tem um Ph.D. em geografia da UNL (1977). Ele tem sido a realização de pesquisas e
ensino em cursos sobre o assunto de sensoriamento remoto desde o início da década de 70. Sua
pesquisa envolve alta resolução espectral e espacial de sensoriamento remoto de ambas as terras
cultiváveis-vegetação marquises e águas de superfície, técnicas de campo em apoio a campanhas
de detecção remota, e espectrometria de imagens aéreas.
 Palavras-chave: classificação de cultura, condição de colheita, o rendimento da cultura,
características biofísicas de cultura, cultura, gestão da água, características do solo relacionadas
com a cultura, agricultura de precisão, Colheita, fenologia e manejo do nitrogênio.

História DO SENSORIAMENTO REMOTO

sensoriamento remoto na agricultura tem sido muito utilizado na monitorização e análise
de atividades agrícolas.
Bem antes da primeira cunhagem do termo 'remote' em 1958 pela Eveyln Pruitt do U.S.
Office of Naval Research (Estes e Jensen, 1998), os cientistas estavam utilizando a fotografia
aérea para concluir inquéritos de solo e de cultura associada com áreas agrícolas nos Estados
Unidos e em outras partes do mundo (Goodman, 1959). A maioria desses trabalhos na década de
1930 envolveu cultura geral inventoriesbythe Departamento de Agricultura e mapeamento de
solos como parte do trabalho do então SERVIÇO DE CONSERVAÇÃO DO SOLO DOS
ESTADOS UNIDOS. Com novos desenvolvimentos na fotografia infravermelha durante a II
Guerra Mundial, técnicas de sensoriamento remoto evoluiu que permitiu maior compreensão do
estado de cultura, gestão da água, e condição de solo.
Trabalho pioneiro de sensoriamento remoto na agricultura foi feito por Robert Colwell na
Universidade da Califórnia, em 1950, e durante a década de 1960, novos laboratórios, orientada
para aplicações na agricultura, tais como a de Purdue (ver Landgrebe 1986), foram
desenvolvidos. Identificação de cultura e o seu areal cobertura foram início objectivos, e Bauer
(1985) fornece informações sobre projetos como o milho Blight Assista a experiência e a
tecnologia de identificação de colheita para avaliação de Sensoriamento Remoto (CITARS)
programa.
No início de 1970, a NASA começou a financiar as universidades selecionadas através de
seu programa de Assuntos Universitários em um esforço para estimular a utilização de
tecnologias de detecção remota, e estados onde a agricultura era um aspecto importante da
economia começou a aplicação de sensoriamento remoto para o sector. Centros e laboratórios,
tais como aqueles na Purdue e Kansas, foram primeiros contribuintes para a evolução do
sensoriamento remoto na agricultura, a ciência e a pesquisa foi importante para a melhor selecção
das bandas espectrais incorporadas em futuros sistemas sensores.
Investigações subsequentes incluem vários tipos de sensores, e de sensoriamento remoto
tem sido provado capaz de fornecer os necessários dados confiáveis em uma base oportuna para
uma fração do custo dos métodos tradicionais de coleta de informações.
A grande área de inventário de Cultura Experimento (LACIE) foi o primeiro programa
patrocinado pelo governo dos Estados Unidos que visa analisar a viabilidade da utilização de
dados de sensoriamento remoto via satélite, Landsat, especificamente, para estimar a produção
de trigo em grandes áreas geográficas. A idéia foi proposta pelo Conselho Nacional de Pesquisa
em 1960 e

1972, com o lançamento do primeiro da configuração do sensor Landsat, a possibilidade

de estimativa de rendimento de trigo sobre grandes áreas se tornou uma realidade. A LACIE
programa foi operada conjuntamente sob a égide da NASA, NOAA, e USDA. Durante 1974-75,
a ênfase do trabalho foi no desenvolvimento de ambos os 'signatures' espectral para o trigo e os
modelos de estimativa de produtividade para as Grandes Planícies dos Estados Unidos,
posteriormente, a atividade foi ampliada para incluir o Canadá e a União Soviética. Os sucessos
da LACIE levou a um projeto de acompanhamento em 1980 chamado de agricultura e pesquisas
de inventário de recursos por meio de Sensoriamento Remoto (AgRISTARS Aeroespacial). O
objetivo deste novo programa foi a de ampliar a LACIE e incluem o monitoramento de outras
culturas, tais como a cevada, milho, algodão, arroz, soja e trigo. Uma visão geral desses
programas podem ser encontrados em Rundquist e Sansão (1983), Bauer (1985), e Pinter et al.
(2003), embora os detalhes do desenvolvimento histórico de sensoriamento remoto em ciência e
aplicações agrícolas também são fornecidos por Reeves (1975).

Aplicações de sensoriamento remoto em agricultura

classificação de cultura, condição e produção
sensoriamento remoto tem desempenhado um papel significativo na classificação de
cultura, a cultura da saúde e avaliação de rendimento. Desde as primeiras fases da classificação
de cultura digital com dados de sensoriamento remoto, inúmeras as abordagens baseadas na
aplicação de técnicas de classificação supervisionada e não supervisionada têm sido usados para
mapear as distribuições geográficas das culturas e caracterizar as práticas de cultivo. Dependendo
da área geográfica, diversidade de cultura, tamanho do campo, fenologia, cultura e condição de
solo, banda de diferentes proporções de esquemas de dados multiespectrais e classificações têm
sido aplicados. Nellis (1986), por exemplo, utilizou uma abordagem de classificação máxima
verossimilhança com dados Landsat para mapear a área irrigada nos EUA Altas Planícies. Preço
et al. (1997), refinada, tais abordagens, usando um sistema multi-Landsat data Mapeador
Temático (TM) no sudoeste do Kansas para mapear a distribuição de cultura e USDA
Conservation Reserve Program (CRP) unidos em uma extensa área irrigada.
 Hyperspectral remote sensing também ajudou a reforçar a análise mais detalhada da
classificação de cultura. Thenkabail et al. (2004) realizaram uma análise rigorosa hyperspectral
sensores (de 400 a 2500 nm) para classificação baseada em técnicas de mineração de dados
consiste de análise de componentes principais, lambda lambda-modelos, Análise Discriminante
stepwise e derivativos greenness índices de vegetação. Através dessas análises, eles
estabeleceram 22 ótimas bandas que melhor caracterizam as culturas agrícolas.
Ao aumentar o número de canais, além de 22 bandas, precisão apenas aumentou
marginalmente até 30 bandas e assintótica tornou-se além desse número. Em comparação com o
Enhanced Landsat matic Mapper e outros dados de sensores de banda larga, essas abordagens
hyperspectral maior precisão para classificação de cultura de 9 a 43%.

Em relação à condição de colheita, alguns estudos de sensoriamento remoto têm focado

sobre os parâmetros físicos do sistema de cultura, tais como a disponibilidade de água ou estresse
nutricional como variáveis na análise e no rendimento da cultura. Outras actividades de
investigação centrou-se mais sobre perspectivas sinóptica da condição de cultura regional
utilizando índices de sensoriamento remoto. Ao mesmo tempo, alguns pesquisadores (Seidl et al.
2004) têm demonstrado que tais abordagens podem ser limitadas para o rendimento da cultura e
vigilância sanitária dada canais por mais tempo de voo no contexto da cultura calendário.
O índice de vegetação da diferença normalizada (NDVI), o índice de condição da
vegetação (VCI), índice de área foliar (IAF), o rendimento geral do índice de referência unificado
(GYURI), temperatura e índice de colheita (TCI) são todos exemplos de índices que foram usados
para mapeamento e monitoramento de vegetação seca e avaliação da saúde e produtividade
(Doraiswamy et al. 2003, ferencz et al. 2004, Prasad et al. 2006). Wang et al. (2005), por exemplo,
utilizados em sensoriamento remoto por satélite do NDVI para fornecer caracterizações de
padrões de nível paisagem produtividade primária líquida dentro dos EUA Great Plains e kogan
et al. (2005) utilizado índices de vegetação de alta resolução muito avançada Radiometer
(AVHRR) dados ao modelo de milho e início aviso de seca na China.
Hadria et al. (2006) fornece um exemplo de desenvolvimento de índices de área foliar de
quatro canais por cenários para estimar a distribuição de rendimento e trigo irrigado em áreas
semi-áridas. Zhang et al. (2005) também têm modificado com base em índices de área foliar,
MODIS (Moderate Resolution Imaging Spectrometer) utilizando um índice de impacto da
variabilidade climática (CVII) relacionadas às contribuições mensais de anomalias no
crescimento de colheita anual. Utilizando MODIS os pesquisadores foram capazes de estabelecer
a relação entre o cvii e LAI modelo com precisão as previsões de cultura regional.
Além disso, aperfeiçoar a cultura regional de previsão, os investigadores têm abordagens
padrão modificado NDVI utilizando máscaras de rendimento da cultura. Esta técnica envolve
restringir a análise a um subconjunto de pixels da região, ao invés de usar todos os pixels na cena.
De acordo com trabalho de kastens et al. (2005) Rendimento de mascaramento de
correlação é mostrado para ter um desempenho comparável ao Mascaramento de terras
cultiváveis em oito principais cenários de previsão de colheita norte-americanas. Jensen (2007)
fornece mais exemplos do amplo leque de índices de vegetação popular usado em sensoriamento
remoto de sistemas agrícolas.
Pesquisas recentes têm documentado radar como uma ferramenta para monitoramento de
colheita. Chen e Mcnairn (2006) usou o radar, por exemplo, na monitorização de arroz na Ásia.
Em seu trabalho, eles descobriram que backscatter aumenta significativamente durante curtos
períodos de crescimento da vegetação, que pode ser usado para diferenciar os campos de arroz
de outras terras.
Últimos satélites comerciais com resolução espacial fina também não têm se mostrado de
valor no mapeamento de produtividade e de crescimento da cultura. Yang et al. (2006) imagens
de satélite QuickBird para o mapeamento de padrões de crescimento de planta e produtividade
de grãos dentro de campos de sorgo, em comparação com os dados de imagem multiespectral
aerotransportada. Os resultados sugerem dados e QuickBird airborne dados espectrais foram
igualmente útil.

Embora os dados de sensoriamento remoto via satélite têm sido historicamente utilizadas
para avaliação de parâmetros de stress de cultura específico, como, por exemplo, indícios de
estresse de nitrogênio e Vrindts Reyniers (2006), mais informações detalhadas sobre a condição
da cultura estão sendo adquirida usando hyperspectral remote sensing, radiometers, térmica e
dispositivos relacionados. Tais abordagens também têm contribuído para uma efectiva usa estes
dados em agricultura de precisão (Yang et al. 2004). Hyper-espectral de sensores e técnicas
relacionadas também pode ser usada para estimar vários outros parâmetros bioquímicos e
biofísicos de cultura, tais como o teor de nitrogênio foliar, teor de clorofila foliar e fatores
associados relacionados à umidade do solo (Goel et al. 2003). Sensoriamento remoto da umidade
do solo será explicado mais tarde neste capítulo. Ye et al. (2006) utilizado o hyper-espectral de
imagens para predizer o rendimento de colheita de árvore em pomares de citros, Vijaya-Kumar
e colegas (2005) utilizou um termômetro infravermelho e o Radiómetro espectral para triagem
de germoplasma e estresse em grãos de mamona, enquanto Nicholas (2004), perto de visível e
infravermelho, sensores térmicos para avaliar as condições de cultura.
Fases de desenvolvimento da vegetação (fenologia) são influenciados por uma variedade
de fatores, tais como umidade do solo, data do plantio, temperatura do ar, o comprimento do dia,
e condição de solo. Portanto, esses fatores também influenciam as condições de plantas e sua
produtividade.
Por exemplo, o rendimento da cultura de milho pode ser negativamente afetada se as
temperaturas são muito altas no momento da polinização. Por isso, sabendo que a temperatura no
momento da polinização do milho poderia ajudar a prever melhor os meteorologistas do milho.
McMaster (2004) resumiu a importância da fenologia, afirmando que, "Compreender a
fenologia da cultura é fundamental para o manejo da cultura, onde a distribuição de práticas de
gestão é cada vez mais baseada em estágios de desenvolvimento da cultura. Simulando o
desenvolvimento do dossel também é crítico para o crescimento de colheita, se os modelos para
prever o aparecimento de fontes e sumidouros de carbono, determinação de assimilação e de
transpiração, particionamento hidratos de carbono e nutrientes, ou determinando crítica eventos
do ciclo de vida, tais como a antese e maturidade.'
durante o período durante o qual foi temporariamente Landsat privatizada (ver também
Goward et al., neste volume), após a década de 1990, alguns cientistas de sensoriamento remoto
começar a experimentar o uso de resolução espacial grosseira (1,0 km) (veja também Justiça et
al., neste volume). Esses dados estavam livres, e que permitiu uma visão sinóptica do U.S.
limítrofe no dia-a bi-diários de freqüência temporal. Como os métodos foram desenvolvidos para
eliminação ou minimização de nuvem, nova alta temporais (semanal para quinzenal) cloud-livre
ou quase livre de nuvem datasets foram feitas livremente disponível para uma variedade de
aplicações e de esforços de investigação. No início da década de 80, badhwar e Henderson (1981)
publicou um artigo na Revista Brasileira descrevendo o uso de dados espectrais para caracterizar
o desenvolvimento da vegetação terrestre. Em 1990, Lloyd descreveu o uso de um índice de
vegetação de onda curta (o índice de vegetação da diferença normalizada (NDVI)) para a
caracterização de estádios fenológicos de desenvolvimento de plantas para cobertura do solo
terrestre e, em 1994, a Reed et al. descreveram como conjuntos de dados de alta resolução
temporal, o NDVI pode ser usada para analisar a variabilidade na fenologia interanual em escala
continental.
 Usando a resolução espacial grossa e alta resolução temporal dos dados, pela primeira
vez, a resposta de plantas a diferentes condições de cultivo poderia ser examinada em ou perto
de escala continental, por exemplo, o US limítrofe. Desde a publicação dos manuscritos
referenciados acima, muitos estudos que se seguiram utilizados conjuntos de dados NDVI
AVHRR para tarefas como avaliar a condição relativa de cultura e fazer previsões de rendimento
(Steven et al. 1983, Sinal Analógico et al. 1993, Groten, 1993 kastens et al. 2005), caracterização
do Centro de Great Plains grama formas de vida (Reed et al. 1996, Tieszen et al. 1997), estudando
a resposta da vegetação ao intra- e variação climática interanual (Yu et al. 2003, Breshears et al.
2005), e para muitos outros fins relacionados agronómico.
Perfis de NDVI anual são extraídos em sensoriamento remoto 12 operacionais para
métricas de fenologia da vegetação (VPMs), e estas métricas são utilizadas para caracterizar a
vegetação agrícola resposta a diversas condições climáticas e práticas de gestão de terras (Reed
et al.
1994; Figura e tabela 26,1 26,1).

Caracterização Biofísica de cultura

sensoriamento remoto podem desempenhar um papel importante na agricultura,
fornecendo informações de reflectância espectral oportuna- que podem ser ligados a indicadores
biofísicos de fitossanidade.
Técnicas quantitativas podem ser aplicados aos dados espectrais, se adquiriu da estreita
faixa ou por avião ou satélite sensores, a fim de estimar o estado de cultura/condição. A tecnologia
é capaz de desempenhar um papel importante no manejo da cultura, fornecendo, pelo menos, os
seguintes tipos de informação:
1. fração de cobertura vegetativa, 2 3. teor de clorofila, área foliar verde e, 4. Outros
parâmetros biofísicos
 26,1 mensuráveis figura em doze meses, a curva de resposta temporal de NDVI hipotético
para a vegetação. Além disso, a vegetação métricas são exibidos para mostrar sua relação com
ambos os valores de NDVI e tempo (depois Reed et al. 1994).

Fração de cobertura de vegetação

sensoriamento remoto multitemporal oferece, por meio de coleta de dados, a capacidade
de monitorar as alterações na fração de cobertura vegetativa associada a fenologia da cultura.
Detalhes associados com o crescimento de uma cultura do milho ao longo do tempo foram
fornecidos por Vina et al.

(2004) que utilizaram resistentes a atmosfera visível índices espectrais para documentar
a capacidade para detectar mudanças na cultura devido ao acúmulo de biomassa, as mudanças
induzidas pelo aparecimento e desenvolvimento de estruturas reprodutivas, e o início da
senescência. Gitelson et al. (2002), estudando o trigo e o milho, índices espectrais desenvolvido
utilizando somente a região visível do espectro para estimar a fração vegetação (VF). Eles
encontraram esses índices para ser mais sensível que o ndvi para mudanças na fração de
vegetação em níveis elevados (&gt;60%) da cobertura, e o erro de predição VF não ultrapassou
10%.

O teor de clorofila,
um indicador muito importante e útil de vegetação condição é o conteúdo de clorofila, um
pigmento produzindo a característica cor verde nas plantas. A variabilidade no teor de clorofila
está relacionada ao crescimento estágio no ciclo de vida da planta, capacidade
fotossintética/produtividade e salienta (Ustin et al. 1998). A medição do teor de clorofila também
é importante no que diz respeito ao manejo do nitrogênio, um elemento-chave da tecnologia de
fertilização campo de taxa variável.
Gitelson et al. (2005) desenvolveram um modelo, baseado em medições de campo feito
por meio de um radiômetro, hyperspectral para Estimativa não destrutiva de clorofila em milho
e soja marquises. Foram desenvolvidos modelos separados para milho e soja individualmente,
mas o melhor modelo de avaliação de milho e soja em conjunto, em um esforço para obter uma
solução de espécie-específico, tomou a forma [(R/ R NIR 720-730)-1] onde R é a reflectância no
wavelength especificado em nm. Este modelo permitiu estimar (R
2 = 0,95) do Cholorophyll na faixa de 0,03 a 4,33 g/m2, com um rmse inferior a 0,32 g/m2
para milho e soja, consideradas em conjunto.
Vários outros autores têm tratado o tema da detecção remota do teor de clorofila, incluindo
broge e Leblanc (2000), Fábio Jr et al. (2000), e broge e Mortensen (2002).

Índice de área foliar verde

a medição do índice de Área Foliar (IAF) é importante não apenas como uma estimativa
da produção primária, mas também como uma entrada para os modelos climáticos. Portanto,
sensoriamento remoto do Iaf é frequentemente realizada. Gitelson et al. (2003b) propuseram uma
técnica para estimar o IAF e utilizando a biomassa de folhas verdes ou reflectância espectral na
região verde (em torno de 550 nm) ou a borda vermelha (próximo a 700 nm), juntamente com o
além do infravermelho próximo (750 nm).
Relações de proximidade foram encontradas entre os índices espectrais testado e LAI
(variando

de 0 a mais de 6), bem como a biomassa de folhas verdes (variando de 0 a 3500 kg/ha).
Vários outros autores têm abordado o tema da detecção remota de Iaf, incluindo Gilabert
et al. (1996), Carlson e Ripley (1997), broge e Leblanc (2000), e Haboudane et al. (2004).

Outras variáveis biofísicas mensuráveis

outras variáveis biofísicas podem também ser mensurável por meio de sensoriamento
remoto.
Danson et al. (1992) mostraram que os primeiros derivados de reflectância associados
com as inclinações das linhas de absorção de água perto de bandas foram altamente
correlacionada com o conteúdo de água da folha. Gitelson et al. (2003a) desenvolveu uma técnica
baseada na detecção remota, que representaram mais de 90% da variabilidade no meio-dia de
fotossíntese de dossel do milho irrigado. Os pesquisadores têm também abordou o rendimento da
cultura (por exemplo, Hatfield 1983, Serrano et al. 2000, Shanahan et al. 2001, a TEAL et al.
2006), (por exemplo, a transpiração do dossel, Inoue e Moran, 1997), planta (por exemplo, lixo,
nagler et al. 2000, Streck et al. 2002); e a biomassa (por exemplo, daughtry et al. 1992).
 O DESAFIO:
APLICAÇÃO PRÁTICA DE MEDIDAS BIOFÍSICAS

utilizando sensoriamento remoto, é possível inferir determinados parâmetros biofísicos

da vegetação das terras cultiváveis, mas para fazer uso das propriedades biofísicas de uma
maneira prática, deve-se tentar relacioná-los a um conjunto de "indicadores agronômicos." Isto
pode significar o desenvolvimento de algoritmos que incorporam os parâmetros agronômicos e
espectrais, para fornecer produtos economicamente viáveis, práticas (por exemplo, mapas de
densidade de pigmentos em domínios específicos, úteis os descritores do estado e condição de
cultura geral como retratada em forma de mapa, informação de gestão de nutrientes que podem
ser utilizados de forma eficaz e eficiente para melhorar a aplicação do nitrogênio, e medições de
biomassa utilizada para estimar a produtividade potencial em tempo quase real). É somente
através do desenvolvimento de tais produtos práticos que o sensoriamento remoto vai ganhar
grande aceitação e utilização.
Agricultura de Precisão é uma metodologia desenhada para vincular ações de manejo de
solo específicos do local e das condições de colheita, e entradas de fertilizantes, herbicidas e
pesticidas, onde eles são mais necessários para maximizar a eficiência agrícola e minimizar a
contaminação ambiental. Uma das principais peças do sistema é a informação sobre o solo e as
condições de cultura na freqüência temporal e resolução espacial necessária para

tomar decisões de manejo. Sensoriamento remoto é uma ferramenta viável para fornecer
tais informações.

Gestão da água cultura

Informações sobre a cultura de demanda de água, uso de água, condição de umidade do
solo e crescimento de plantas em diferentes fases de cultivo pode ser obtida através do uso de
várias formas de sensoriamento remoto, estendendo-se da vista sinóptica utilizando dados de
satélite para análises detalhadas com sensor térmico e hyperspectral sistemas. Kingston (2003),
por exemplo, utilizou dados de satélite NOAA para avaliar o desempenho de três grandes projetos
de irrigação no Sri Lanka. Dentro desta análise, as estimativas utilizando sensoriamento remoto
de culturas, utilização de água foram comparados a efectiva disponibilidade de água para
determinar a eficiência de irrigação. Em um estudo relacionado, Martin De Santa Olalla et al.
(2003) utilizado GIS com ndvi e uma unidade de gerenciamento hidrológico (Hmu) para criar
um serviço de aconselhamento de irrigação ligada a necessidades de água das culturas e
estimativas dos volumes de água de irrigação utilizadas.
Associar tais abordagens para as águas subterrâneas, utilização de metodologias de análise
mais alargada. Wu et al. (1999), usado Mapeador Temático Landsat dados para caracterizar a
relação entre o uso da terra e o esgotamento das águas subterrâneas no frágil sistema de recursos
Altas Planícies dos Estados Unidos.
Sensoriamento remoto também tem sido utilizado para avaliar a distribuição da água de
irrigação em escalas variáveis do agro-sistema de água. Nellis (1985) imagens de infravermelho
térmico utilizado, por exemplo, no terreno, para determinar os parâmetros relacionados à
uniformidade de distribuição de água e sistema de transporte irregularidades em Oregon. No oeste
da Turquia, pela investigação e Kite Droogers (2002) utilizaram um modelo em escala de bacia
paramétrico e uma cultura baseada fisicamente ligados ao modelo de escala NOAA-AVHRR
imagens para analisar o uso de água para irrigação no campo Esquema de irrigação escala, escala,
escala de bacia.
Desde cedo em sensoriamento remoto digital, os pesquisadores têm utilizado diferentes
abordagens para estimar a evapotranspiração da cultura, umidade do solo, crescimento e
biomassa (bastiaanssen et al. 2001, Ray e Dadhwal 2001). Neale e colegas (2005) fornecem uma
perspectiva histórica sobre sensoriamento remoto aéreo de alta resolução dos coeficientes de
cultura para obter a evapotranspiração real. Apesar de a maioria usar abordagens diretas simples
correlações entre detectado remoto de dados digitais e evapotranspiração, algumas formas de
combinar vários tipos de dados de sensoriamento remoto. Consoli e colaboradores (2006), por
exemplo, usado por satélite de alta resolução IKONOS junto com solo hyperspectral dados com
informações meteorológicas agro-de laranjeiras do sul da Itália de estimativa de
evapotranspiração fluxos.
Impacto na capacidade erosiva da água e de sedimentos utilizando SIG e sensoriamento
remoto também ganhou considerável atenção pelos pesquisadores. Khan et al. (2001), por
exemplo, utilizou

dados espaciais em terra-formulários, cobertura do solo, e a inclinação para estimar a

erosividade potenciais e sedimentos na Índia. Além disso, Wu e colaboradores (1997) usou dados
espaciais ligadas a um GIS juntamente com TM Landsat land cover para avaliar USDA
Conservation Reserve Program (CRP) relacionados com terras e propriedades do solo nos EUA
Altas Planícies.
Sensoriamento remoto claramente está desempenhando um papel cada vez maior na
gestão da água do sistema agrícola. Tais desenvolvimentos têm sido reforçada com a evolução
de hyperspectral sensores e a habilidade de analisar espacialmente de link de dados de
sensoriamento remoto com outros conjuntos de dados através de tecnologias GIS e GPS.

Cultura e características do solo

como foi articulado por Sullivan et al. (2005), numerosos estudos têm demonstrado a
utilidade da detecção remota para distinguir diversas propriedades do solo, como erosão, previsão
de aplicação de agroquímicos para solos para gestão de precisão, solo, carbono orgânico, teor de
óxido de ferro, e a textura do solo (ver também Capítulo 24 aplicações em solos (Campbell, neste
volume). Mais de 25 anos atrás, Stoner e baumgardner de trabalho (1981), por exemplo,
mostraram um nível crescente de carbono do solo foi inversamente correlacionada com a
reflectância no visível e infravermelho. Em contraste, o mais recente trabalho pela bajwa e Tian
(2005) demonstrou o potencial da antena visível/infravermelho (VIR) hyper-espectral de imagens
para a caracterização de fatores da fertilidade do solo no Midwest DOS ESTADOS UNIDOS.
Parâmetros de fertilidade do solo, pH, matéria orgânica (MO), Ca, Mg, P, K, e a
condutividade elétrica do solo. Nessa análise, as características de fertilidade do solo medidos
foram modelados no primeiro derivados dos dados de reflectância utilizando regressão de
mínimos quadrados parciais.
O modelo explicou um alto grau de variabilidade no Ca (82%), Mg (72%) e MO (66%),
por exemplo, e menos para as propriedades, como pH (48%).
Campo controlados e estudos laboratoriais têm sido a base em sensoriamento remoto
pesquisas relacionadas ao tamanho das partículas do solo. Esse trabalho tem muitas vezes
dependiam de grande resolução espectral radiometers (Salisbury e D'Aria 1992, por exemplo).
Esta pesquisa tem encontrado crescente resposta espectral com o aumento do teor de areia, que
está provavelmente associado a uma correspondente diminuição na capacidade de retenção de
água de solos mais grossos.
O refinamento em sistemas de sensor térmico e acesso a sensores hyperspectral (como foi
anteriormente observado) tem outras aplicações de sensoriamento remoto estendido para as
propriedades do solo.
 Salisbury e D'Aria (1992) usaram rácios banda infravermelha térmica para estimar o teor
de quartzo, mas níveis variados de barro, ferro e carbono orgânico do solo complicado os
resultados.
De acordo com Sullivan et al. (2005), Barnes e Baker (2000) e Russell (2003), dinâmica
temporalmente e espacialmente de superfície, tais como o teor de água, a aspereza de superfície,
crostas, e resíduos de colheita, um impacto significativo na resposta espectral e complicar

o processo de análise de sensoriamento remoto. Por exemplo, estudos recentes por Ben-
Dor et al. (2003) e eshel et al. (2004) demonstraram que as superfícies de solo crusted muitos
tipos diferentes de solos tendem a ter maior reflexo simples respostas devido à ocorrência de
quartzo maiores riscos quando tais solos crusted recentemente preparado estão expondo as
superfícies de quartzo.
Os sensores terrestres ou 'em movimento' (sensores sensores montados em um trator e
dados mapeados com informações de posição coincidente) têm desenvolvido rapidamente nos
últimos anos.
Tais esforços fornecer a matéria orgânica do solo, condutividade elétrica, teor de nitrato,
e compactação (Barnes et al. 2003) e, quando integrado com outras fontes de dados maximizar
as informações para o gerente de fazenda.
Numerosos estudos de sensoriamento remoto da umidade do solo (além de referências
anteriores) têm enfocado o uso de sensor térmico e micro-ondas. Casanova et al. (2006) modelos
de sensoriamento remoto micro-ondas utilizadas para melhorar as estimativas da umidade do
solo, e verstraeten et al. (2006) usou uma combinação de óptica e térmica a informação espectral
da imagem METEOSAT para determinar a inércia térmica em relação ao conteúdo de umidade
do solo.
Também a interface entre a água e o solo dinâmicas são processos que levam a salinidade
do solo em áreas agrícolas irrigadas. Novamente sensoriamento remoto tem fornecido
importantes análise desses aplicativos, como ilustrado pelo trabalho de masoud e Koike (2006),
na qual eles usaram TM/Landsat ETM tomadas durante 16 anos juntamente com 30 m DEM e
observações de campo no Egito para documento com êxito as mudanças de salinidade no solo e
cobertura da terra.
Com cada vez mais bandas hyperspectral mais estreito na faixa térmica de energia
eletromagnética e, juntamente com outros dados espaciais provenientes de observações de
campo, sensoriamento remoto é, sem dúvida, desempenhar um papel cada vez mais importante
na compreensão das características do solo de cultura. Tais esforços, quando vinculado ao GPS,
fornecer resultados promissores em agricultura de precisão.

Agricultura de precisão e "on-the-go" sensores de

Agricultura de Precisão
agricultura de precisão é uma metodologia desenhada para vincular ações de manejo de
solo específicos do local e das condições de colheita, e entradas de fertilizantes, herbicidas e
pesticidas, onde eles são mais necessários para maximizar a eficiência agrícola e minimizar a
contaminação ambiental. As principais tecnologias são em agricultura de precisão, GPS, GIS e
de sensoriamento remoto. A importância dessas tecnologias na agricultura foi

enfatizada quando Stennis Space Center (NASA), no início da parte do século atual,
lançou o programa Ag 2020, em um esforço para comercializar as tecnologias geoespaciais,
desenvolver ferramentas práticas para produtores e realização de projectos com diversos tipos de
culturas para ilustrar a utilidade das tecnologias.
Agricultura de precisão é fundamental para a aquisição de informações sobre o solo e as
condições de cultura na freqüência temporal e resolução espacial necessária para tomar decisões
de manejo. Sensoriamento remoto é, sem dúvida, uma ferramenta viável para fornecer tais
informações. No entanto, para a teledetecção para contribuir para a gestão de pequenas parcelas,
as imagens devem ser de alta resolução espacial. Até há relativamente pouco tempo, como
imagens de satélite tem sido indisponível, e embora disponíveis hoje em dia, continua a ser
bastante caro. Exemplos de trabalhos anteriores agricultura de precisão utilizando dados obtidos
por satélite de alta resolução, que incluem sensores de Yanget al. (2006) e Bannariet al.
(2006). Resumos gerais sobre os procedimentos e as questões relacionadas com a
agricultura de precisão são fornecidos por Barnes et al. (1996), Bramley et al. (1999), Campanella
(2000) e Moran (2000).

O papel do sensoriamento remoto em agricultura de precisão

enquanto 'tecnologias geoespaciais', especialmente o GPS e GIS, certamente são visíveis,
componentes integrantes do movimento em direção a abordagens na agricultura de precisão,
sensoriamento remoto, infelizmente, continua a ser mal compreendidos e menos utilizadas. Hoje,
a maioria de colheitadeiras são equipadas com GPS, e até mesmo o plantio é feito frequentemente
dentro de um quadro de localização geográfica precisa. Da mesma forma, o conceito de
mapeamento de produtividade e comparando os resultados para solos detalhados mapas GIS
trouxeram à tona na agricultura moderna. Sensoriamento remoto, por outro lado, enquanto ele
tem muito a oferecer a Agriculturalist, parece ser menos importante para os produtores por várias
razões, incluindo o alto custo de obtenção de imagens, a necessidade de registrar as imagens para
outros conjuntos de dados, a necessidade de imagens de alta resolução espacial e temporal, e uma
curva de aprendizagem que é bastante íngreme para a maioria dos operadores na exploração e até
mesmo consultores agronômicos. O digital e análise de sobreposição espacial, espectral e,
especialmente, datasets é percebida como sendo muito difícil para muitos produtores e
consultores, e eles são muitas vezes relutantes em adquirir o software habilidades necessárias
para realizar as tarefas previamente anotado. A necessidade da maioria dos produtores agrícolas
e consultores parece ser útil Mapa de produtos. Outro desafio na aplicação de sensoriamento
remoto para a agricultura em geral tem sido a entrega de dados de imagem em uma maneira
oportuna. Pelzmann (1997) indica que a imagem deve ser entregue no prazo de 48 horas após a
aquisição ou menos para ser verdadeiramente útil.
Apesar da complexidade associada com incorporação de sensoriamento remoto no dia-a-
dia das operações de criação, existem alguns produtos relativamente simples que pode servir para
melhorar a compreensão do produtor de sua fazenda, bem como facilitar a

gestão específica do local. Fotografias aéreas têm potencial para delineamento de zonas
de manejo (schepers et al. 2000). Fotografia aérea de cor convencional, adquirido em uma folha-
condição, é uma ferramenta importante nos estágios iniciais da preparação de um campo para
gerenciamento de site-specific. Tais fotos ar provideanun comumente boa vista geral das
condições do solo; mais especificamente, a variabilidade no conteúdo orgânico de lugar para
lugar, Schepers (2002). Videografia aérea tem se mostrado uma ferramenta útil para monitorar
em campo de variação de crescimento de plantas, bem como a criação de zonas de manejo para
agricultura de precisão (Yang et al. 1998).

Manejo do nitrogênio,
 um dos principais problemas ambientais é a necessidade de nitrogênio (N), como a gestão
de águas subterrâneas em algumas áreas de agricultura intensiva, como o Centro-oeste, norte-
americano tornou-se cada vez mais poluída com nitratos. Porque N é relativamente barato e
pequeno aumento de entradas de rendimentos, os produtores têm uma tendência a aplicar grandes
quantidades de nitrogênio, "seguros", aumentando assim o potencial de poluição das águas
subterrâneas Schepers (2002).
Assim, há uma necessidade de desenvolver procedimentos, incluindo, eventualmente,
sensoriamento remoto, que podem ter utilidade para mitigar o problema de N overuse. A
abordagem adequada parece ser variável, a fim de aplicar o fertilizante somente em plantas que
se encontram em necessidade e apenas em parcelas de terreno onde existe uma necessidade que,
em vez de em todo o campo. Estudos de Blackmer et al. (1996), Shanahan et al. (2001), e scharf
et al.
(2002) fornecem um background útil sobre o assunto do manejo do nitrogênio, por meio
de sensoriamento remoto.

Os sensores ir
on-the-go-sensores incluem implementar dispositivos montados que fazer medições de
solos, colheita, marquises, ou até mesmo plantas individuais em close-range. As medições podem
não ser necessariamente de natureza espectral, mas certamente poderia ser.
A essência das novas abordagens na gestão de site-specific é realçada pelo facto de
combinar-montado monitores de produtividade são comumente usados para tentar avaliar a
variação dentro de campo e para delimitar zonas de manejo de culturas (Pinter et al. 2003). No
entanto, como Pinter et. al, mapas de produtividade pode não ser uma representação exata dos
extremos de variabilidade, e eles não fornecem informações sobre redução de rendimento salienta
porque eles são adquiridos no final da temporada. Além disso, os mapas de produção documento
apenas a distribuição espacial; eles não explicam a causa de variação (Doerge 1999). Isto é onde
sensoriamento remoto é capaz de fazer uma contribuição, mas, mais uma vez, alta resolução
espacial é um requisito.

Sistemas foram concebidos para closed-loop, real-time, implementos de aplicação de taxa

variável (Adamchuk et al. 2003), inclusive para a identificação de plantas daninhas versus solo
ou resíduos de colheita (por exemplo, Meyer et al. 1998). Muitas vezes, o sistema envolve um
pulverizador, por exemplo, para aplicar herbicida de ervas daninhas, que é operado por meio de
um computador ligado a um sensor óptico. O sensor fornece um algoritmo de computador com
uma imagem de uma erva daninha, a análise prossegue com base quer em forma de folha ou folha
de reflectância, e o algoritmo faz a decisão para activar o spray, assim (espero) matar a planta
daninha Schepers (2002). Uma abordagem semelhante pode ser usado para aplicar o nitrogênio
para as plantas, onde a cor da folha ou reflectância indica uma falta de determinado nutriente.
Novamente, a vantagem é que todo um campo é poupado de grandes quantidades de fertilizantes
ou pesticidas e somente as plantas necessitam realmente receber o spray. Stamatiadis et al. (2006)
utilizado on-the-go sensor multiespectral em close-range em um vinhedo grego para demonstrar
o valor do sensor proximal para otimizar a produção, melhorar a qualidade do vinho e redução
de insumos químicos.
Os sensores baseados em terra também são utilizados para o monitoramento dos solos.
Tais instrumentos fornecem a matéria orgânica do solo, condutividade elétrica, teor de nitrato, e
compactação (Barnes et al.
2003) e, quando integrado com outras fontes de dados maximizar as informações para o
gerente de fazenda.

Colheitas especiais
da viticultura, o cultivo de videiras, geralmente para a produção de vinho, é uma
importante empresa económica e agrícola em muitas partes do mundo, incluindo os Estados
Unidos. Gestores de Grandes Vinhedos sabe que o grau de produtividade da videira é o resultado
de muitas cartas topográficas, climáticas, edáficas e parâmetros, e a suposição é a de que esses
parâmetros são variáveis espacialmente, causando, assim, diferenças no vigor e produtividade
vinha de lugar para lugar na vinha. Viticulturalists devem monitorar as condições vinha para fins
de tomada de decisões sobre a aplicação de fertilizantes, irrigação, gestão do dossel, e quando a
colheita das uvas, a fim de maximizar o suco (e, portanto, a qualidade do vinho). Um objectivo
importante da vinha em curso exame é detectar a presença dos agentes estressantes, incluindo
patógenos que afetam a vegetação ou a fruta em si. Portanto, o sensoriamento remoto pode ser
uma ferramenta eficaz para fornecer o viticulturalist com uma visão sinóptica da vinha que
produz informações práticas e úteis.
Vários autores têm realizado pesquisas sobre o assunto de sensoriamento remoto de
videiras.
Supervisão de tais trabalhos são fornecidos por Lang (1997), Peterson e Johnson (2000),
Carothers (2000), Hall et al. (2002). Exemplos de "Detecção de viticultura": que por Johnson et
al. (2001) que avaliaram imagens multiespectral aerotransportada para delimitar zonas de manejo
vinha como um passo no sentido de "Viticultura de Precisão" enquanto lanjeri et al. (2004) Mapa
Temático Landsat (TM) e imagens de NDVI para avaliar a mudar ao longo do tempo em espanhol
vinhas.

Alguns pesquisadores têm usado tecnologias de sensoriamento remoto para detectar

patógenos e/ou monitor. Wildman et al. (1983) fizeram uso de cores fotografia aérea de
infravermelhos para a detecção e controlo da propagação de phyloxera piolho, uma raiz que pode
devastar regiões produtoras de uvas inteiras. Johnson et al. (1996) examinou airborne casi
imagens multiespectrais em 5 m de resolução espacial para a mesma finalidade.
Trabalho lidando com sensoriamento remoto como um meio de se inferir as características
biofísicas do grapevine marquises que inclui de Montero et al. (1999) que utilizaram dados
Landsat-TM e o NDVI para medir a porcentagem de cobertura vegetal, biomassa, altura de planta
e área foliar. Os autores encontraram relação linear positiva com os parâmetros medidos in-situ
em espanhol vinhas. Lanjeri et al. (2001) também utilizadas imagens TM adquiridas ao longo de
vinhas no centro de Espanha para documento alta correlação positiva entre o NDVI e biomassa,
altura da planta e cobertura de vegetação. Johnson et al. (2003) utilizado para converter imagens
Ikonos NDVI A LAI para dois vinhedos comerciais na Califórnia, e a estimativa de IAF com um
r 2 de 0,72 quando comparados com medições in-situ. Os autores concluíram que o sensoriamento
remoto parece útil para mapeamento de área foliar vinha em baixa LAI vinhas. Stamatiadis et al.
(2006) fizeram uso de marquise baseados em terra sensores multiespectrais para estimar a
produção de biomassa e a qualidade de uvas Merlot no norte da Grécia.
Uma revisão da literatura lidar com sensoriamento remoto na viticultura nos leva a
concluir que esta aplicação é realmente viável, mas que também existem limitações únicas. Em
primeiro lugar, as imagens de alta resolução espacial, da ordem de alguns metros, é necessário
para fazer inferências sobre blocos de vinhas plantadas ou até mesmo plantas individuais dentro
dos blocos (por exemplo, Hall et al. 2001). Distância entre linhas de videira (muitas vezes apenas
um medidor na Califórnia) será, naturalmente, afeta o resultado de análise de imagem.
Resolução temporal é importante no que se refere ao importante estádios fenológicos em
videira (por exemplo, brotação, floração, Veraison e colheita). Bramley et al.
(2003) sugerem que veraison +/- Duas semanas é o tempo ideal para a aquisição de
imagens de imagens (assumindo que é obtido em apenas um ponto no tempo). Parece que pouca
pesquisa tem sido conduzida com hyperspectral sensores, mas a literatura anterior indica que os
sensores de banda larga são capazes de fornecer informações úteis. O alvo para o sensor de
imagem de fundo linhas de uvas (por exemplo, se o fundo estiver verde grama ou solo descoberto)
é uma consideração importante, como é o fato de que os campos de visão do sensor em vinhas:
posts de madeira e arame treliça, todos se combinam para tornar a busca de fim-espectral
membros interessante se não francamente difícil.

Desafios e o futuro

desde o início da década de 70, um dos maiores desafios para o uso de dados de
sensoriamento remoto via satélite para aplicações agrícolas tem sido a falta de imagens utilizáveis
coletados com freqüência suficiente e em intervalos consistentes durante a estação de
crescimento. Esta resolução temporal inadequado de nadir moderada e de visualização de alta
resolução espacial de imagens adquiridas por satélite só pode ser resolvido aumentando a
freqüência de revisita os sensores, e isto só pode ser alcançado através do aumento do número de
sensores por recolha de imagens.
Actualmente, e no passado, a freqüência de revisita o sensores de resolução moderada,
como Landsat e SPOT é ou foi aproximadamente bimestral para mensal. Essa resolução temporal
é insuficiente para capturar a chave alterar condições de cultura (estádios fenológicos) durante a
estação de crescimento. Isto é especialmente verdadeiro em áreas onde é frequente cobertura de
nuvens. Na Europa central, por exemplo, muitas vezes há apenas duas ou três imagens utilizáveis
adquiridos durante a estação de crescimento, e devido a diferentes condições de cobertura de
nuvem, a aquisição datas podem variar significativamente anualmente fazendo comparações ano
a ano condições de vegetação muito exigente e, muitas vezes, impossível.
A RapidEye está planejando lançar a constelação de cinco satélites em 2008 com o
objetivo de oferecer informações geoespaciais diário de alta resolução espacial para clientes
globais com interesse na agricultura e na silvicultura, entre outros, a RapidEye (2007).
O sensor é para ser um sistema multiespectral de cinco canais operando no visível e
infravermelho próximo. Uma tal capacidade operacional, sem dúvida, ser de grande interesse
para agricultores. Sem tal sistema de sensoriamento remoto por satélite operacional o
desenvolvimento comercial de produtos de sensoriamento remoto para apoiar o agronegócio e a
gestão dos processos de tomada de decisão será grandemente prejudicado. Não ter um sistema
operacional criou uma falta de confiança no futuro a disponibilidade e coerência em tipos de
dados e a sua qualidade. Imagem insuficiente resolução temporal, e a falta de um confiável e
consistente sistema de sensoriamento remoto são os dois fatores mais importantes que
influenciam o uso de dados de sensoriamento remoto na área da agricultura.
Durante os estágios iniciais do satélite de sensoriamento remoto era, a maior parte da
investigação centrou-se na utilização de dados para a classificação dos tipos de cobertura do solo
com tipos de cultura sendo um foco importante entre aqueles interessados em aplicações
agrícolas. Sobre a década passada ou assim, o trabalho de sensoriamento remoto agrícola tem-se
centrado mais na caracterização de propriedades biofísicas de plantas. Como os cientistas têm
ganhado maior acesso aos dados e de Espectrorradiômetro e espaço aéreo suportado
hyperspectral dados e imagens, uma nova área de interesse de pesquisa está a concentrar-se sobre
a utilização da análise de infravermelho próximo e quimiometria software e modelos para
caracterizar os constituintes químicos de partes das plantas, solos, rochas, etc. Infelizmente,
achados de pesquisa nesta área de estudo não irá tornar-se operacional até hyperspectral imagens
de satélite de alta qualidade tornam-se disponíveis a um preço acessível.

Esforços no domínio da agricultura de precisão, que levam a novas aplicações comerciais

como estudos continuam a refinar a ciência e os instrumentos utilizados em 'on-the-go"
(Implementar) sensores montados. Especial Interesse concentram-se agora na rápida no campo -
Caracterização de nitrogênio foliar de plantas para que aplicações de fertilizantes em tempo real
pode ser implementada. Esforços semelhantes estão sendo feitas para outros nutrientes essenciais.
Além disso, os pesquisadores continuam a desenvolver aplicações agrícolas que envolvem a
utilização de imagens aéreas de alta resolução espacial para o campo nível 'prescrição' de
fertilizantes e herbicidas que são administrados usando 'smart' tecnologia aplicador do
pulverizador. Imagens aéreas também está sendo usado para definir zonas de manejo e cultivo do
solo e planta hyperspectral medições de condições estão a ser utilizada como um indicador de
condições de nutrientes do solo.
Medições espectrais também estão sendo utilizados para medir as propriedades biofísicas
de plantas que podem ser vinculados a fluxos biogeoquímicos, com interesses especiais em CO2.
Os dados de sensoriamento remoto também estão sendo utilizados para mapear não só a terra,
mas o uso da terra, que tem influência significativa de fluxos de CO2. Tais dados serão muito
úteis para avaliar as práticas de uso da terra que influenciam o proprietário do terreno habilitações
de crédito de carbono.
Finalmente, sensoriamento remoto em agricultura está se movendo em direção a nano-
escala de análise. Uma nova aplicação de sensoriamento remoto não tradicionais e envolve a
implantação de nano-chips na planta e de sementes de tecido que pode ser usado em tempo quase
real para monitorar a colheita. Claramente, estas e outras novas abordagens irá reforçar a
importância do sensoriamento remoto na análise futura de ciências agrícolas.

Referências
Adamchuk, V. , R. Perk , e J. Schepers, 2003. Aplicações de sensoriamento remoto no
site551 específicos de gerenciamento. Universidade de Nebraska Extensão Cooperativa CE03-
702.
Badhwar, G. D. e K. E. Henderson Estimativa de estádios de desenvolvimento do milho
a partir de dados espectrais - um modelo inicial. Bragantia vol. 73 pp. 748-755. 1981.
Bajwa, S. G. e L. F. Tian caracterização da fertilidade do solo em áreas agrícolas
utilizando hyperspectral remote sensing. Operações da ASAE vol. 48 no. (6) pp. 2399-2406.
2005.
Kingston, J. M. P. S Monitoramento de desempenho de irrigação no Sri Lanka com alta
frequência560 medições via satélite durante a estação seca. A gestão da água agrícola vol. 58 no.
(2) pp. 159- 170. 2003.
Bannari, A. , Pacheco , K. Staenz , H. McNairn , e K. Omari estimar e mapeamento de
cobertura de resíduos de colheita em terras agrícolas utilizando hyperspectral IKONOS e dados.
Sensoriamento remoto do ambiente vol. 104 pp. 447-459. 2006.

Barnes, E. M. e M. G. Baker dados multiespectrais para mapeamento de textura do solo:

possibilidades e limitações. Sociedade americana de Engenheiros Agrícolas vol. 16 pp. 731-741.
2000.
Barnes, E. , M. Moran, P. Pinter e T. Clarke , 1996. Mulltispectral sensoriamento remoto
e local específicos- agricultura: exemplos de tecnologia atual e possibilidades futuras. Processo,
a 3ª Conferência Internacional sobre Agricultura de Precisão, pp. 843-854.
Barnes, E. M. A. Sudduth, K., J. W. Hummel, S. M. Lesch , D. L. Corwin , C. Yang, C.
S. T.
 Daughtry , e W. C. Bausch Remote-e aterramento do sensor baseado em técnicas para
mapear as propriedades do solo.
Photogrammetric Engineering e Sensoriamento Remoto vol. 69 no. (6) pp. 619-630. 2003.
Bastiaanssen, W. G. M. , R. A. L. Brito, M. G. Bos , R. A. Souza, E. B. Cavalcanti e M.
M.
Bakker baixo custo mensal de dados de satélite para monitoramento de desempenho de
irrigação: pontos de referência de Nilo Coelho, Brasil. Os sistemas de irrigação e de drenagem
vol. 15 no. (1) pp. 53-79. 2001.
Bauer, M. E. cultura espectral entradas para identificação e avaliação da condição. Proc.
O IEEE vol. 73 pp.
1071-1085. 1985.
Ben-Dor, E. , N. Y. Benyamini Goldshleger , , M. Agassi , e D. G. Blumberg as
propriedades de reflectância espectral de solo crostas estrutural em 1,2 a 2,5 micrômetros região
espectral. Revista Brasileira de Ciência do Solo, vol. 67 pp. 289-299. 2003.
Blackmer, T. , J. Schepers , G. Varvel e Walter-Shea , E. A deficiência de nitrogênio
utilizando detecção de radiação refletida de milho irrigado marquises. Bragantia vol. 88 pp. 1-5.
1996.
Bramley, R., S. Cook , M. Adams , e R. Corner , 1999. Como a agricultura de precisão
pode ajudar. Um relatório da CSIRO Divisão de terra e água, pp. 30 pp.
Bramley, R., B. Pearse , e P. Chamberlain , 2003. Precisamente ser rentável - um estudo
de caso da Viticultura de Precisão de Margaret River. A Austrália e a Nova Zelândia Uva-
produtor e Enólogo Problema técnico anual, pp. 84-87.
Breshears, D., N. S. Cobb, P. M. Rico , K. Preço, C. D., Allen J. G. Romme Balice, W.
H., J.
H. Kastens , M. L. Floyd , J. Belnap , J. J. Anderson, O. B. Myers , e C.W. Meyer
vegetação Regional die-off em resposta às alterações globais tipo seca. Proceedings of the
National Academy of Science vol. 102 no. (42), pp. 15144-15148. 2005.
Broge, N. e E. Leblanc, comparando o poder de predição e estabilidade de banda larga e
hyperspectral índices de vegetação para estimativa do índice de área foliar verde e clorofila
densidade do dossel. Sensoriamento remoto do ambiente vol. 76 pp. 156-172. 2000.
Broge, N. e J. Mortensen decorrentes de cultura índice de área verde e clorofila densidade
do dossel de trigo de inverno a partir de dados de reflectância espectral. Sensoriamento remoto
do ambiente vol. 81 no. (1) pp. 45-57.
2002.
 Campanella, R. de testar os componentes de teledetecção em direção a um sistema de
apoio à decisão baseados para a produção de algodão. Photogrammetric Engineering e
Sensoriamento Remoto vol. 66 no. (10), pp. 1219-1227.
2000.
Campbell, J. , neste volume. Sensoriamento remoto de solos. Capítulo 24.
Carlson, T. e D. Ripley sobre a relação entre o NDVI, fracionário e cobertura de
vegetação, índice de área foliar. Sensoriamento remoto do ambiente vol. 62 no. (3) pp. 241-252.
1997.

Carothers, J. tecnologia de imagens Gerenciamento de vinha. Adega prático e vinha vol.

21 no. (1) pp. 54-62. 2000.
Casanova, J. J. J. , Juiz , e J. W. Jones calibração do modelo CERES-Maize para
articulação com um micro-ondas modelo de sensoriamento remoto. Operações da Sociedade
Americana de Engenheiros Agrícolas e biológicos, Vol. 49 No. (3) pp. 783-792. 2006.
Chen, C. e H. Mcnairn uma rede neural abordagem integrada para a cultura do arroz.
International Journal of Remote Sensing vol. 27 no. (7) pp. 1367-1393. 2006.
Consoli, S. , G. D'Urso , e A. Toscano sensoriamento remoto para estimativa ET-fluxos e
o desempenho de um distrito de irrigação, no sul da Itália. A gestão da água agrícola vol. 81 no.
(3) pp. 295- 314. 2006.
Danson, Steven M. F. , , T. Malthus , e J. Clark dados de alta resolução espectral para
determinar o conteúdo de água da folha. International Journal of Remote Sensing vol. 13 pp. 461-
470. 1992.
Daughtry, C. , K. Gallo , S. Goward , S. Prince , e W. Kustas Estimativas espectrais da
radiação absorvida e phy-tomass produção de milho e soja em marquises. Sensoriamento remoto
do ambiente vol. 39 pp. 141-152. 1992.
Daughtry, C. , C. Walthall , M. Kim , E. deColstoun , e J. McMurtrey estimar a
concentração de clorofila foliar de milho e folhas de reflectância do dossel. Sensoriamento
remoto do ambiente vol. 74 pp. 229-239. 2000.
Doerge, T. específico do site agricultura: mapa de produtividade de interpretação. Oficial
de Produção Agricultura vol. 12 no. (1) pp. 54-61. 1999.
 Doraiswamy, P. C., S. Moulin , P. W. Cook , e A. Stern Avaliação de Rendimento da
cultura de sensoriamento remoto. Photogrammetric Engineering e Sensoriamento Remoto vol.
69 no. (6) pp. 665-674. 2003.
Droogers, P. e G. Kite dados de sensoriamento remoto utilizado para modelagem
hidrológica em diferentes escalas.
Processos hidrológicos vol. 16 no. (8) pp. 1543-1556. 2002.
Eshel, G. G. , J. Levy e M. J. Singer propriedades de reflectância espectral crusted solos
sob iluminação solar. Revista Brasileira de Ciência do Solo, vol. 68 pp. 1982-1991. 2004.
Estes, J. e J. Jensen, 1998. Desenvolvimento de processamento de imagem digital de
sensoriamento remoto e sistemas GIS raster. Em T. Forsman (ed.) a história dos Sistemas de
Informação Geográfica, Longman, New York, pp. pp. 163-180.
Ferencz, C. S. , P. Bognar , J. Lichtenberger , D. Hamar , G. Y. Tarcsai , G. Timar , G.
Molnar, S.
Z. Pasztor , P. Steinbach , B. Szekely , O. E. Ferencz , e I. O rendimento da cultura
Ferencz-Arkos estimativa por satélite de sensoriamento remoto. International Journal of Remote
Sensing vol. 25 no. (20), pp.
4113-4149. 2004.
Gilabert, M. , S. Gandia , e J. Melia análises das relações biofísico-espectral de um dossel
de milho.
Sensoriamento remoto do ambiente vol. 55 no. (1) pp. 11-20. 1996.
Gitelson, A. , Y. Kaufman , R. Stark , e D. Rundquist novos algoritmos para a estimativa
da fração vegetação remoto. Sensoriamento remoto do ambiente vol. 80 pp. 76-87. 2002.
Gitelson, A., S. Verma , A. Vina , D. Rundquist , G. Keydan , B. Leavitt , T. Arkebauer ,
G. Burba , e A. Suyker técnica romance para estimativa do fluxo de CO2 em milho. Geophysical
Research Letters vol. 30 no. (9) pp. 1486 doi:10,1029/2002GL016543. 2003a.

Gitelson, A. , A. Vina , T. Arkebauer , D. Rundquist , G. Keydan , E B. Leavitt Remote

estimativa do índice de área foliar e a biomassa de folhas verdes em milho marquises.
Geophysical Research Letters vol. 30 no. (5) 1148, doi:10,1029/2002GL016450. 2003b.
Gitelson, A. , A. Vina , V. Ciganda , D. Rundquist e T. remota de Arkebauer marquise
estimativa de clorofila nas culturas. Geophysical Research Letters vol. 32 pp. L08403
doi:10.1029/2005GL022688,2005. 2005.
 Goel, P. K., S. O. Prasher , J. A. Landry, R. M. Patel , A. A. Viau , e J. R. Miller Estimativa
de parâmetros biofísicos de cultura através da airborne e campo hyperspectral remote sensing.
Operações da Sociedade Americana de Engenheiros Agrícolas vol. 46 no. (4) pp. 1235-1246.
2003.
Goodman, M. Uma técnica para a identificação de culturas agrícolas em fotografias
aéreas. Photogrammetric Engineering vol. 25 pp. 131-137. 1959.
Goward, S. N. , T. Arvidson , D. L. Williams, R., irlandês e J. Irons , neste volume.
Resolução espacial moderada sensores ópticos. Capítulo 9.
Groten, S. M. E. NDVI-colheita de acompanhamento e avaliação do rendimento precoce
de Burkina Faso. International Journal of Remote Sensing vol. 14 no. (8) pp. 1495-1515. 1993.
Haboudane, D., J. Miller, E. Pattey , P. Zarco-Tejada , e I. Strachan Hyperspectral índices
de vegetação e novos algoritmos para predição de LAI verde da cultura marquises: modelagem e
validação no contexto da agricultura de precisão. Sensoriamento remoto do ambiente vol. 90 pp.
337-352. 2004.
Hadria, R., B. A. Lahrouni Duchenin , , S. Khabba , S. Er-Raki , G. Dedieu , A. G.
Chehbouni , e A. Olioso Monitoramento de trigo irrigado em um clima semi-árido, utilizando
modelagem e dados de sensoriamento remoto via satélite: Impacto de revisitar freqüência de
tempo. International Journal of Remote Sensing vol. 27 no. (6) pp. 1093-1117. 2006.
Hall, A. J. , P. Louis e D. W. Cordeiro , 2001. Um método para extrair informações
detalhadas a partir de imagens multiespectrais de alta resolução das vinhas. Anais da 6ª
Conferência Internacional sobre Geocomputation, ISBN 1864995637, University of Queensland,
Brisbane.
Hall, A. , D. Cordeiro , B. Holzapfel , e J. Louis sensoriamento remoto ótico aplicações
em viticultura - uma revisão. Revista de Pesquisa da uva e do vinho vol. 8 no. (1) pp. 37-47.
2002.
Hatfield, J. estimadores de sensoriamento remoto de produtividade potencial e real.
Sensoriamento remoto do ambiente vol. 13 pp. 301-311. 1983.
Inoue, Y. e M. Moran um método simplificado para sensoriamento remoto de transpiração
do dossel - um estudo de caso com medidas diretas de transpiração do dossel em soja marquises.
International Journal of Remote Sensing vol. 18 no. (1) pp. 139-152. 1997.
Jensen, J. R., 2007. Sensoriamento remoto do ambiente, uma perspectiva de recursos da
Terra. 2º EDN.
Prentice-Hall, Upper Saddle River, NJ, pp. 544 pp.
 Johnson, L. , B. Lobitz , R. Armstrong , R. Baldy , E. Weber, J. DeBendictis , e D. A
Bosch Airborne imaging aids marquise vinha avaliação. California Agricultura vol. 50 no. (4)
pp. 14- 18. 1996.
Johnson, L. , D. Bosch , D. Williams , E B. Lobitz sensoriamento remoto de vinha, zonas
de manejo:
implicações para a qualidade do vinho. Engenharia aplicada na agricultura vol. 17 no. (4)
pp. 557-560.
2001.

Johnson, L. , D. Roczen , S. Youkhana , R. Nemani , e D. Bosch área foliar vinha de

mapeamento com imagens de satélite multiespectral. Computadores e Electrónica na agricultura
vol. 38 pp. 33-44. 2003.
Justiça, C. O. e C. J. Tucker , neste volume. Resolução espacial grossa sensores ópticos.
Capítulo 10.
Kastens, J. H. , T. L. Kastens , D. L. A. Kastens , K. P. Preço , E. A. Martinko , e R. Lee
camuflagem para imagem de previsão de séries temporais utilizando imagens de NDVI AVHRR.
Sensoriamento remoto do ambiente vol. 99 no. (3) pp. 341-356. 2005.
Khan, M. A. , V. P. Gupta , e P. C. Moharana priorização de Bacias Hidrográficas
utilizando sensoriamento remoto e sistema de informações geográficas: um estudo de caso do
Guhiya, Índia. Oficial de Ambientes Áridos vol. 49 no. (3) pp. 465-475. 2001.
Kogan, F. , B. Yang , W. Guo , Z. Pei , E X. Jiao Modelando a produção de milho na
China utilizando AVHRR vegetação baseados em índices de saúde. International Journal of
Remote Sensing vol. 26 no. (11), pp. 2325-2336. 2005.
Landgrebe, D., 1986. Uma breve história do Laboratório de aplicações de Sensoriamento
Remoto (LARS), http:// home/ www.lars.purdue.edu/ LARSHistory.html Lang, L. Uso de SIG,
GPS e sensoriamento remoto: spread para os viticultores da Califórnia. A agricultura moderna
vol. 1 no. (2) pp. 12-16. 1997.
Lanjeri, S. , J. Melia , E D. Segarra uma camuflagem para classificação multitemporal
vinha monitoramento no Centro de Espanha. International Journal of Remote Sensing vol. 22 no.
(16), pp. 3167-3186. 2001.
 Lanjeri, S. , D. Segarra , e J. Melia variabilidade interanual da cultura da vinha na região
de Castilla-LaMancha durante o período 1991-1996 com imagens Landsat Mapeador temático.
International Journal of Remote Sensing vol. 25 no. (12), pp. 2441-2457. 2004.
Lloyd, D. uma classificação fenológico da vegetação terrestre utilizando shortwave
imagens índice de vegetação. International Journal of Remote Sensing vol. 11 pp. 2269-2279.
1990.
Martin De Santa Olalla, F. , A. A. Dominguez Calera , e o uso da água de irrigação
Monitoramento de irrigação, combinando Advisory Service, e dados de sensoriamento remoto
com um sistema de informação geográfica. A gestão da água agrícola vol. 61 no. (2) pp. 111-124.
2003.
Masoud, A. A. e K. Koike terra árida salinização detectado pelo remotamente, landcover
acase detectado alterações: estudo na região de Siwa, no Egito. Oficial de Ambientes
Áridos vol. 66 no. (1) pp. 151- 167. 2006.
McMaster, G. S., 2004. Simulando a fenologia da cultura. 4Th International Crop Science
Congress.
Brisbane, Austrália, 1 de Setembro de 27 de Outubro de 2004. http:/ /
www.cropscience.org.au/ icsc2004/ cartaz/ 2/ 8/ 607mcmaster.htm
Meyer, G. , T. Mehta , M. Kocher , D. Mortensen , e A. Rodrigues, imagem e análise
textural discriminar para distinguir as ervas daninhas de pulverização. Operações da ASAE vol.
41 no. (4) pp.
1189-1197. 1998.
Montero, F., J. Melia , A. Brasa , D. Segarra , A. Cuesta e S. Avaliação Lanjeri de vinha,
de acordo com o desenvolvimento dos recursos hídricos disponíveis, usando sensoriamento
remoto em LaMancha, Espanha.
A gestão da água agrícola vol. 40 pp. 363-375. 1999.

Moran, S., 2000. Imagens de sensoriamento remoto para o manejo agrícola: perspectivas
da imagem, investigadores, fornecedores e usuários. Procedimentos da Segunda Conferência
Internacional sobre informação geoespacial na agricultura e na silvicultura, I: 23-I, pp. 29.
Nagler, P. , C. Daughtry e S. Goward reflectância do solo e serapilheira de plantas.
Sensoriamento remoto do ambiente vol. 71 pp. 207-215. 2000.
 Neale, C. M. U. , H. Jayanthi , e J. L. Wright a gestão da água de irrigação utilizando
sensoriamento remoto aéreo de alta resolução. Os sistemas de irrigação e de drenagem vol. 19
no. (3-4) pp. 321-336. 2005.
Nellis, M. D. interpretação de imagens infravermelho termal da gestão dos recursos
hídricos para irrigação.
Revista de geografia vol. 84 no. (1) pp. 11-14. 1985.
Nellis, M. D. sensoriamento remoto para monitorar a demanda de água no oeste do
Kansas. Artigos e trabalhos do Conferências Geografia aplicada vol. 9 pp. 56-62. 1986.
Nicolau, H. utilizando sensoriamento remoto para determinar a data de aplicação de
fungicida em trigo de inverno.
Protecção de culturas vol. 23 no. (9) pp. 853-863. 2004.
Pelzmann, R. usando imagens no campo de gestão. A agricultura moderna vol. 1 no. (2)
pp. 17-19. 1997.
Peterson, D. e L. Johnson a aplicação da ciência da Terra achados para os problemas
práticos do crescimento winegrapes. Ciências da Informação Geográfica vol. 6 no. (2) pp. 181-
187. 2000.
Pinter, P., J. Hatfield , J. Schepers , E. Barnes , S. Moran , C. Daughtry , e D. Upchurch
sensoriamento remoto para o manejo da cultura. Photogrammetric Engineering e Sensoriamento
Remoto vol. 69 no. (6) pp. 647-664. 2003.
Pinter, P., J. Ritchie, J. G. Hart Hatfield , e o Serviço de Pesquisa Agrícola, programa de
sensoriamento remoto: um exemplo de colaboração interinstitucional. Photogrametric
Engineering e Sensoriamento Remoto vol. 69 no. (6) pp. 615-618. 2003.
Prasad, A. K., L. Chai , R. P. Singh , e M. Kafatos modelo de estimativa de rendimento
de colheita para Iowa utilizando sensoriamento remoto e parâmetros de superfície. Revista
Internacional de Observação da Terra e de Geoinformação vol. 8 no. (1) pp. 26-33. 2006.
Preço, K., S. Egberto , R Lee Boyce , R. e M. D. Nellis land cover mapping high plains
em um agro-ecossistema, usando um sistema multi-Landsat data mapeador temático de
abordagem de modelagem. Operações do Kansas Academy of Science vol. 100 no. (1-2) pp. 21-
33. 1997.
Sinal analógico, N. A., M. T. L. Hindle Milnes , , e N. O uso Silleos multitemporal de
medições de dados NDVI AVHRR para estimativa de rendimento de grãos e a previsão.
International Journal of Remote Sensing vol. 14 no. (2) pp. 199-210. 1993.
A RapidEye 2007. Bem-vindo ao a RapidEye. http:/ / www.rapideye.de/ (último acesso
em 12 de Janeiro de 2008).
 Ray, S. S. e V. K. Dadhwal Estimativa da evapotranspiração da cultura de irrigação área
de comando utilizando sensoriamento remoto e GIS. A gestão da água agrícola vol. 49 no. (3)
pp. 239-249. 2001.
Reed, B. C., J. H. F. Brown , D. VanderZee , T. R. Loveland , J. W. Merchant , e D. O.
Ohnlen variabilidade fenológica de medição a partir de imagens de satélite. Oficial de vegetação
Science vol. 5 pp.
703-714. 1994.
Reed, B. C. , Loveland , T. R. e L. L. Uma abordagem para Tieszen utilizando dados
AVHRR para monitorar
Grandes Planícies dos Estados Unidos Prados. Geocarto International vol. 11 no. (3) pp.
13-22. 1996.

Reeves, J. (ed.) 1975. Manual de sensoriamento remoto. Falls Church, Virgínia,:

Sociedade americana de fotogrametria.
Reyniers, M. e E. Vrindts de trigo de medição do espaço e status de nitrogênio no solo da
plataforma.
International Journal of Remote Sensing vol. 27 no. (3) pp. 549-567. 2006.
Rundquist, D. e S. Sansão , 1983. Aplicação de sensoriamento remoto na análise agrícola.
Capítulo 15 Richason em B., Jr., ed. , Introdução ao Sensoriamento remoto do ambiente.
Kendall/Hunt Publishing Company, Dubuque, pp. pp. 317-337.
Russell, C. A. A preparação de amostras e predição de propriedades de matéria orgânica
do solo através de reflectância do infravermelho próximo spec-troscopy. Revista Brasileira de
Ciência do Solo vol. 34 pp. 1557- 1572. 2003.
Salisbury, J. W. e D. M. D'Aria de infravermelhos (8-14 micrômetros) sensoriamento
remoto do tamanho de partículas do solo.
Sensoriamento remoto do ambiente vol. 42 pp. 157-165. 1992.
Scharf, P. , J. Schmidt , cozinha , N. K. Sudduth , S. Hong , J. Lory , J. Davis e
sensoriamento remoto para o manejo do nitrogênio. Oficial de Conservação de Água e Solo vol.
57 no. (6) pp. 518-524.
2002.
 Schepers, A. , 2002. Comparação das abordagens de GIS que integram variáveis de solo
e de cultura para delimitar zonas de manejo para agricultura de precisão. Tese de mestrado,
Departamento de Geografia, Universidade de Nebraska-Lincoln, pp. 59 pp.
Schepers, J. , M. Schlemmer , e R. Ferguson considerações específicas para o
gerenciamento de fósforo.
Oficial da Qualidade Ambiental vol. 29 pp. 125-130. 2000.
Seidl, M. S., W. D. e Batchelor, J. O. Paz Integração de imagens de sensoriamento remoto
com um modelo de soja para melhorar o rendimento espacial da simulação. Operações da
Sociedade Americana de Engenheiros Agrícolas vol. 47 no. (6) pp. 2081-2090. 2004.
Serrano, L. , I. Filella , e J. Penuelas sensoriamento remoto da biomassa e rendimento de
trigo de inverno sob diferentes fontes de nitrogênio. Crop Science vol. 40 pp. 723-731. 2000.
Shanahan, J. , J. Schepers, D. Francisco , G. Varvel, W. J. Tringe Wilhelm , , M.
Schlemmer , e D. grande utilização de imagens de sensoriamento remoto para estimativa de
rendimento de grãos de milho. Bragantia vol. 93 pp. 583-589. 2001.
Stamatiadis, S. , D. Taskos , C. Tsadilas , C. Christofides , E. Tsadila , e J. Schepers
Relação solo-sensor de reflectância do dossel para produção de biomassa e em duas cores de uvas
Merlot vinhas.
Revista Brasileira de enologia e viticultura vol. 57 no. (4) pp. 415-422. 2006.
Steven, M. D., P. V. Biscoe , e K. W. Jaggard Estimativa da produtividade de açúcar de
beterraba da reflexão no vermelho e infravermelho bandas espectrais. International Journal of
Remote Sensing vol. 4 pp. 325-334.
1983.
Stoner, E. R. e M. F. Característica Baumgardner variações na superfície de reflectância
de solos. Revista Brasileira de Ciência do Solo, vol. 45 pp. 1161-1165. 1981.
Streck, N. , D. Rundquist , e J. Job não pode estimar a matéria seca residual de trigo a
partir de medições de sensoriamento remoto. Photogrammetric Engineering e Sensoriamento
Remoto vol. 68 no. (11), pp. 1193-1201.
2002.

Sullivan, J. A., J. N. Shaw , D. Rickman , P. L. Mask , e J. C. Luvall utilizando dados de

sensoriamento remoto para avaliar as propriedades do solo de superfície no Alabama argissolos.
Revista Brasileira de Ciência do Solo, vol. 170 no. (12), pp. 954-968.
 2005.
Teal, R., B. Tubana , K. Girma , K. Freeman , D. Arnall , O. Walsh , e W. Raun na
temporada previsão do potencial de rendimento de grãos de milho utilizando índice de vegetação
da diferença normalizada. Bragantia vol. 98 pp. 1488-1494. 2006.
Thenkabail, P. S. , E. A. Enclona , M. S. Ashton , E B. Van Der Meer avaliações de
precisão de onda hyperspectral desempenho para aplicações de análise de vegetação.
Sensoriamento remoto do ambiente vol. 91 no. (3-4) pp. 354-376. 2004.
Tieszen, L. B. C. L. , Reed , N. B. Bliss , B. K. Wylie , e D. D. Dejong NDVI C3 e C4
produção e distribuições em classes de cobertura de pastagem das planícies grandes. Ecological
Applications vol. 7 no. (1) pp. 59-78. 1997.
Ustin, S. , M. Smith , S. Jacquemoud , M. Verstraete , E Y. Govaerts , 1998. GeoBotany:
mapeamento da vegetação para ciências da Terra , no Rencz A. (ed.), Manual de
Sensoriamento Remoto , Volume 3 , John Wiley &amp; Sons, Hoboken, NJ, pp. pp. 189-248.
Verstraeten, W. W. , F. Veroustraete , C. J. Van Der Sande , I. Grootaers , e J. Feyen
recuperação da umidade do solo utilizando inércia térmica, determinada com visível e térmica de
dados espaciais, validado para florestas europeias. Sensoriamento remoto do ambiente vol. 101
no. (3) pp. 299-314. 2006.
Vijaya-Kumar, P. , S. S. Ramakrishna , D. V. Bhaskara-Rao , G. Sridhar , G. Srinivasa-
Rao , e G. G. S. N. Rao Uso de sensoriamento remoto para monitoramento de estresse hídrico,
produtividade de previsão e avaliação de variedades de grãos de mamona (Ricinus communis L.).
International Journal of Remote Sensing vol. 26 no. (24), pp. 5525-5534. 2005.
Vina, A. , A. Gitelson , D. Rundquist , G. Keydan , B. Leavitt , e J. Schepers
Acompanhamento de milho (Zea mays L.) fenologia com sensoriamento remoto. Bragantia vol.
96 pp. 1139-1147. 2004.
Wang, P. M. J. , Rico , K. P. W. Dean-Kettle Preço , e as relações entre o NDVI, pastagens,
produção e rendimento de cultura no centro de Great Plains. Geocarto International vol. 20 no.
(3) pp. 5- 11. 2005.
Wildman, W. , R. Nagaoka , Lider e L. Propagação de Monitoramento Phlloxera de uva
por fotografia aérea de infravermelho de cores terra e investigação. American Journal de enologia
e viticultura vol. 34 no. (2) pp. 83-94. 1983.
Wu, J. , M. Ranson , M. D. Nellis , K. Preço, Egberto e S. Avaliação de propriedades de
terra terra de PCR utilizando técnicas de sensoriamento remoto e GIS. Oficial de Conservação de
Água e Solo vol. 52 no. (5) pp.
352-358. 1997.
 Wu, M. J. , resgate , M. D. Nellis, H. B. Rundquist Su , e caracterizando as relações entre
solos e águas subterrâneas para Finney County, Kansas. Modelagem geográfica e ambiental vol.
3 no. (2) pp. 203-215. 1999.
Yang, C. , G. Anderson , e J. Everitt vista de cima: caracterizar o crescimento da planta
com a videografia aérea. Mundo GPS, pp. 34, 37 de Abril de 1998.
Yang, C., J. H. Everitt , J. M. Bradford , e D. Murden Airborne hyperspectral imagens e
dados de produtividade de algodão em caroço para mapeamento de variabilidade. Agricultura de
Precisão vol. 5 no. (5) pp. 445-461.
2004.

Yang, C., J. H. Everitt , e J. M. Comparação de Bradford QuickBird imagens de satélite e

imagens aéreas para mapeamento de padrões de rendimento de grãos de sorgo. Agricultura de
Precisão vol. 7 no. (1) pp. 33-44.
2006.
Ye, X. , K. Sakai , L. O. Garciano, S. I. A. Sasao Asada , e estimativa da produtividade
de citros de airborne hyperspectral imagens utilizando um modelo de rede neural. Modelagem
ecológica vol. 198 no. (3-4) pp.
426-432. 2006.
Yu, K. P. F. , Preço , J. Ellis , e P. Shi Resposta do desenvolvimento da vegetação sazonal
para as variações climáticas no leste da Ásia central. Ambiente Sensoriamento remoto vol. 87 pp.
42-54. 2003.
Zhang, B. P. , Anderson , B. Tan , D. Huang , e R. Myneni monitoramento do potencial
de produção de colheita utilizando um Climate-Variability por satélite Índice de impacto.
Meteorologia Agrícola e Florestal vol. 132 no. (3-4) pp. 344-358. 2005.

Visualizar publicação stats stats Visualizar publicação