com
ABSTRAK
Petani di seluruh dunia terus mencari cara untuk memaksimalkan keuntungan mereka. Aplikasi Penginderaan Jauh dirancang untuk
memberi petani pemantauan tanaman dan informasi produksi yang tepat waktu. Informasi tersebut dapat digunakan untuk
mengidentifikasi masalah kekuatan tanaman.
Indeks vegetasi (VI) yang berasal dari data satelit telah banyak digunakan untuk menilai variasi keadaan fisiologis dan
sifat biofisik vegetasi. Namun, karena berbagai karakteristik sensor, ada perbedaan antara VI yang berasal dari beberapa
sensor untuk target yang sama. Oleh karena itu, kemampuan dan keefektifan multi-sensor VI merupakan masalah yang
kritis namun rumit dalam penerapan pengamatan vegetasi multi-sensor. Berbagai faktor seperti kondisi atmosfer selama
akuisisi, sensor dan karakteristik geometris, seperti sudut pandang, bidang pandang, dan elevasi matahari
mempengaruhi komparabilitas langsung indikator vegetasi di antara sensor yang berbeda.
Dalam penelitian ini, dua daerah percobaan digunakan yang terletak di dekat desa Nea Lefki dan Melia di Prefektur
Larissa di daerah Dataran Thessaly, masing-masing berisi tanaman gandum dan kapas.
Dua sistem satelit dengan resolusi spasial yang berbeda, WorldView-2 (W2) dan Sentinel-2 (S2) dengan ukuran piksel 2 dan 10
meter, digunakan. Normalized Difference Vegetation Index (NDVI) dan Leaf Area Index (LAI) dihitung dan perbandingan statistik
dari VI dibuat untuk menunjukkan korelasi dan ketergantungannya. Akhirnya, beberapa indeks inovatif lainnya dihitung dan
dibandingkan untuk mengevaluasi efektivitasnya dalam mendeteksi area pertumbuhan tanaman yang bermasalah.
Kata kunci: Pertanian Presisi, WorldView-2, Sentinel-2, Perbandingan statistik, Indeks vegetasi
1. PERKENALAN
Populasi dunia melewati angka tujuh miliar dan diperkirakan akan meningkat tiga miliar lagi selama lima dekade mendatang;
maka skenario pangan dunia berubah dengan cepat. Sumber daya lahan garapan terbatas, tekanan pada lahan produktif saat ini
lebih besar dari sebelumnya. Permintaan global akan makanan meningkat karena efek gabungan dari populasi yang lebih besar
dan pola makan yang lebih kaya bagi mereka yang naik tangga ekonomi[1].
Di sisi lain, volatilitas dalam biaya input pertanian dan pendapatan yang dihasilkan dari produk pertanian menyebabkan ketidakstabilan dalam
ekonomi pertanian. Skenario ini menyerukan pengenalan teknologi modern untuk meningkatkan hasil panen, memberikan informasi untuk
memungkinkan keputusan manajemen lapangan yang lebih baik, mengurangi biaya bahan kimia dan pupuk melalui aplikasi yang lebih efisien,
memungkinkan pencatatan pertanian yang lebih akurat, meningkatkan margin keuntungan dan mengurangi polusi. Dengan kata lain, bertani
dengan presisi untuk mengoptimalkan input dan output[2].
Untuk mencapai tujuan ini, produsen harus mengetahui jumlah input ke dalam sistem tanaman mereka, agar dapat memprediksi hasil panen
dengan andal, dan memiliki keterampilan untuk dapat mengelola pertanian mereka sesuai dengan itu. Penginderaan jauh memiliki potensi yang
cukup besar untuk menjadi informatif dan hemat biaya[3].
Penginderaan Jauh untuk Pertanian, Ekosistem, dan Hidrologi XIX, diedit oleh
Christopher MU Neale, Antonino Maltese, Proc. dari SPIE Vol. 10421, 104211B
© 2017 SPIE · Kode CCC: 0277-786X/17/$18 · doi: 10.1117/12.2278217
pertanian yang lebih baik seperti pupuk, herbisida, benih, bahan bakar (digunakan selama pengolahan tanah, penanaman, penyemprotan, dll.) dengan melakukan praktik pengelolaan
yang tepat di tempat dan waktu yang tepat. Pertanian presisi dimulai pada pertengahan tahun 1980-an. Panjang gelombang radiasi elektromagnetik awalnya difokuskan pada beberapa
pita inframerah kunci yang terlihat atau dekat. Saat ini, panjang gelombang yang digunakan berkisar dari bagian spektrum ultraviolet hingga gelombang mikro. Bandwidth spektral telah
menurun secara dramatis dengan munculnya penginderaan jauh hiperspektral, memungkinkan peningkatan analisis senyawa tertentu, interaksi molekuler, stres tanaman, dan
karakteristik biofisik atau biokimia tanaman. Resolusi spasial citra penginderaan jauh udara dan satelit telah meningkat dari ratusan meter menjadi akurasi sub-meter, memungkinkan
evaluasi properti tanah dan tanaman pada resolusi spasial yang baik dengan mengorbankan penyimpanan data dan persyaratan pemrosesan yang meningkat. Frekuensi temporal citra
penginderaan jauh juga meningkat secara dramatis. Pertanian presisi saat ini melibatkan pengumpulan/analisis data dan manajemen informasi, serta kemajuan teknologi dalam
pemrosesan komputer, penentuan posisi lapangan, pemantauan hasil, penginderaan jauh, dan desain sensor. Frekuensi temporal citra penginderaan jauh juga meningkat secara dramatis.
Pertanian presisi saat ini melibatkan pengumpulan/analisis data dan manajemen informasi, serta kemajuan teknologi dalam pemrosesan komputer, penentuan posisi lapangan,
pemantauan hasil, penginderaan jauh, dan desain sensor. Frekuensi temporal citra penginderaan jauh juga meningkat secara dramatis. Pertanian presisi saat ini melibatkan pengumpulan/
analisis data dan manajemen informasi, serta kemajuan teknologi dalam pemrosesan komputer, penentuan posisi lapangan, pemantauan hasil, penginderaan jauh, dan desain sensor.[4,
5, 6, 7, 8].
Penginderaan jauh untuk menilai kondisi tanaman didasarkan pada hubungan antara reflektansi multispektral, suhu
kanopi tanaman, fotosintesis, dan evapotranspirasi dan menggunakan teknik menggabungkan data spektral dengan data
meteorologi, tanah, dan parameter tanaman lainnya untuk memodelkan pertumbuhan dan hasil tanaman dan tanaman
masalah kekuatan [2,3]. Aplikasi penginderaan jauh di bidang pertanian biasanya diklasifikasikan menurut jenis platform
untuk sensor, termasuk platform berbasis satelit, udara, dan darat. Platform ini dan sistem pencitraan terkaitnya dapat
dibedakan berdasarkan ketinggian platform, resolusi spasial gambar, dan frekuensi kembali minimum untuk pencitraan
sekuensial.[9, 10].
Pertumbuhan teknologi EO baru-baru ini telah menghasilkan peluncuran seri WorldView dan Sentinels dari Digital Globe dan
European Space Agency (ESA), masing-masing. WV2 adalah satelit observasi Bumi komersial yang menyediakan data resolusi
sangat tinggi (citra pankromatik resolusi 0,5 m, dan citra multispektral delapan pita dengan resolusi 2 m). Citra yang tersedia
baru-baru ini memperkenalkan empat pita spektral multispektral inovatif baru (terutama kuning, tepi merah dan Inframerah
Dekat 2) selain empat pita standar (tiga spektrum tampak dan inframerah dekat umum). Jumlah informasi spektral yang kaya ini
bersama dengan resolusi spasial yang sangat tinggi dari citra WV2 memberikan potensi diskriminasi yang lebih kuat dan akurat
antara jenis tanaman tahan air dan karakteristiknya.[11]. Misi Sentinel adalah bagian dari Program Copernicus untuk memantau
perubahan iklim, pengelolaan sumber daya alam, perlindungan sipil dan pengelolaan bencana. Data terbuka Copernicus tersedia
di Copernicus Open Access Hub (https://scihub.copernicus.eu/). S2 adalah bagian misi pemantauan tanah dari Program
Copernicus yang menyediakan citra optik resolusi tinggi untuk melakukan pengamatan terestrial dalam mendukung layanan
darat. Misi tersebut menyediakan cakupan global permukaan tanah bumi setiap lima hari dan pada resolusi spasial 10, 20 dan 60
meter, menjadikan data tersebut sangat berguna dalam studi yang terkait dengan studi yang terkait dengan pemantauan
tanaman dan pemetaan tutupan/penggunaan lahan.[12,13].
Indeks vegetasi (VI) yang berasal dari data satelit telah banyak digunakan untuk menilai variasi keadaan fisiologis dan
sifat biofisik vegetasi. Indeks vegetasi merupakan parameter biofisik penting untuk mengatasi masalah pemantauan
pertumbuhan tanaman, stres vegetasi, praktik pengelolaan tanaman dan penilaian hasil panen.[4, 14, 15]. Parameter indeks
vegetasi seperti Normalized Difference Vegetation Index (NDVI), Leaf Area Index (LAI) dan beberapa indeks inovatif baru
lainnya adalah parameter kunci untuk menentukan kesehatan vegetasi, tutupan dedaunan, dan prediksi fotosintesis,
evapotranspirasi (ET), prediksi hasil dan produktivitas air pemodelan[16].
Ide dasar dari penelitian ini berasal dari hipotesis bahwa adalah mungkin untuk melakukan estimasi pertumbuhan musiman dan kondisi
kesehatan untuk pertanian pertanian kecil. Terutama, di mana terdapat fragmentasi lahan yang kuat, penggunaan lahan yang beragam
dan beragam serta praktik pengelolaan yang berbeda, mengeksplorasi kegunaan sistem satelit yang berbeda seperti data WV2 dan S2
dengan resolusi spasial dan spektral yang berbeda.
Tujuan dari penelitian ini adalah: a) untuk memantau analisis canggih tanaman dari pita spektral baru dan inovatif WV2 dan S2
dan kemampuannya untuk mengungkapkan perbedaan antara tanaman muda dan dewasa dan membedakan kondisi kesehatan
tanaman dan b) untuk menguji komparabilitas WV2 dan citra S2 untuk mengkarakterisasi tanaman seperti gandum dan kapas
dengan membandingkan nilai VI di lokasi titik yang sama menggunakan data resolusi spasial dan spektral yang berbeda pada
sensor yang berbeda. Untuk alasan ini, perbandingan statistik dibuat, dan hasilnya diuji dan dievaluasi.
Nea Lefki
Gandum
B
Melia
Kapas
A C
Gambar 1. (a) Lokasi daerah penelitian di Larissa, (bc) dua lokasi percobaan gandum dan kapas dekat dengan Nea Lefki dan
Desa Melia
Kumpulan data yang diperiksa untuk dibeli untuk tujuan penelitian ini adalah gambar selama tahap pertumbuhan tanaman baik untuk tanaman gandum dan kapas. Dengan demikian, adegan WV2 diperoleh
dari Space Imaging Munich, dalam format bundel, satu saluran pankromatik 0,5m dan delapan saluran multispektral 2m, dalam format digital 16-bit (http://earthexplorer.usgs.gov/). Gambar diperoleh pada
15 April 2016 untuk panen musim dingin dan 8 Juli 2016 untuk panen musim panas. Juga, kumpulan data S2 disediakan secara gratis melalui Pusat Data Ilmiah Sentinels ESA (https://scihub.copernicus.eu/).
Produk yang tersedia sedang dalam pemrosesan Level-1C, dikoreksi secara geometris dan didaftarkan ke ellipsoid UTM 34N WGS84 dengan koreksi elevasi yang diterapkan. Gambar S2 diperoleh pada 4 April
2016 untuk panen musim dingin dan 13 Juli 2016 untuk panen musim panas, untuk menjaga korespondensi dengan tanggal akuisisi gambar WV2 (Tabel 1). Fakta bahwa kesenjangan waktu antara gambar
WV2 dan S2 tidak terlalu kecil karena kurangnya gambar bebas awan dan terutama waktu kunjungan ulang S2 selama 10 hari (karena satelit optik S2B kedua belum diluncurkan). Fakta ini membuat
perbandingan indeks vegetasi kedua sistem satelit menjadi sulit, karena ada beberapa variasi kecil dalam tingkat pertumbuhan tanaman. Fakta bahwa kesenjangan waktu antara gambar WV2 dan S2 tidak
terlalu kecil karena kurangnya gambar bebas awan dan terutama waktu kunjungan ulang S2 selama 10 hari (karena satelit optik S2B kedua belum diluncurkan). Fakta ini membuat perbandingan indeks
vegetasi kedua sistem satelit menjadi sulit, karena ada beberapa variasi kecil dalam tingkat pertumbuhan tanaman. Fakta bahwa kesenjangan waktu antara gambar WV2 dan S2 tidak terlalu kecil karena
kurangnya gambar bebas awan dan terutama waktu kunjungan ulang S2 selama 10 hari (karena satelit optik S2B kedua belum diluncurkan). Fakta ini membuat perbandingan indeks vegetasi kedua sistem
satelit menjadi sulit, karena ada beberapa variasi kecil dalam tingkat pertumbuhan tanaman.
Pengolahan citra digital dan analisis data satelit dilakukan dengan menggunakan software Geomatica (2015), ENVI (v.5.2)
dan SNAP (5.0, open source), sedangkan manipulasi informasi spasial dilakukan menggunakan ArcGIS (10.2).
3.2 Metodologi
Data penginderaan jauh optik yang dikumpulkan oleh satelit mengalami berbagai efek merusak yang terkait dengan
pengamatan sensor dan geometri penerangan matahari, kondisi cahaya/atmosfer matahari, kalibrasi dan pengaturan detektor,
topografi, serta tanggal dan waktu akuisisi. Itu diperlukan untuk mencapai perbandingan gambar yang diperoleh dari sensor
yang berbeda dan pada waktu yang berbeda, untuk menormalkan kumpulan data ke kumpulan kondisi standar (biasanya nilai
reflektansi)[17].
Intervensi atmosfer antara satelit dan permukaan bumi dapat menurunkan kualitas data penginderaan jauh,
dengan mengubah intensitas respons spektral fitur tanah yang diterima di sensor dari karakteristik spektral
sebenarnya. Beberapa algoritma secara umum digunakan untuk menghilangkan efek atmosfer pada data dan
dengan demikian nilai pancaran sensor dikonversi menjadi nilai reflektansi. Berbagai tingkat data input digunakan
untuk menggerakkan model atmosfer ini, mulai dari profil atmosfer terperinci yang diperoleh oleh radiosonde
hingga model standar yang mewakili area garis lintang umum.[17, 18, 19]. Karena kondisi atmosfer dapat bervariasi
baik secara spasial maupun temporal dan tidak ada data tepat yang terkait dengannya pada saat akuisisi data akan
tersedia secara normal, model atmosfer standar, seperti yang disediakan oleh model ATCOR3 di Geomatica
digunakan dalam penelitian ini.[20, 21]. Nilai Angka Digital dari setiap gambar WV2 telah dikonversi ke reflektansi Top
of Atmosphere dan kemudian ke reflektansi permukaan. Prosedur ini dipenuhi dengan memanfaatkan Digital
Elevation Model (DEM) dari area, bujur/lintang geografis dan kondisi cuaca yang ada pada saat akuisisi citra.
Parameter terakhir ini secara otomatis dihitung dengan mengimpor gambar melalui algoritma impor yang sesuai.
Sejauh menyangkut data S2, koreksi atmosfer diterapkan untuk mengubah nilai reflektansi Top-of-Atmosphere
(TOA) menjadi nilai reflektansi Bottom-of-Atmosphere (BOA) yang dikoreksi. Untuk koreksi atmosfer, plugin
Sen2Cor ESA digunakan. Selanjutnya, band 1, 9 dan 10 dikeluarkan dari dataset. Kemudian,[22].
Selain itu, perlakuan terhadap kumpulan data gambar yang berbeda yang berasal dari sistem sensor yang berbeda, dalam
beberapa kombinasi memerlukan tingkat akurasi geometrik yang tinggi untuk ekstraksi informasi fitur yang tepat dan digunakan
dalam informasi geografis atau sistem pemantauan lingkungan. Dengan demikian, pendaftaran citra ke citra dibuat antara dua
citra sistem satelit yang berbeda, untuk mencapai presisi yang dibangun dengan baik yang akan membantu perbandingan data
yang akan datang. Dalam penelitian ini, dua langkah pemrosesan yang berbeda diikuti. Pada langkah proses pertama, dua VI
geometris pita untuk setiap citra sistem satelit dibuat, yaitu Normalized Difference Vegetation Index (NDVI) dan Leaf Area Index
(LAI). Perbandingan VI yang dihasilkan dari dua sistem satelit terbatas pada yang berasal dari pita merah dan inframerah. VI
dihitung pada resolusi pita multispektral asli dari setiap sensor (10m untuk S2 dan 2m untuk WV2) dan kemudian diambil
sampelnya kembali menggunakan fungsi agregasi piksel umum (rata-rata) agar sesuai dengan resolusi spasial yang lebih kasar
dari S2. Selanjutnya, perbandingan statistik VI dibuat untuk menunjukkan korelasi dan ketergantungannya.
Di daerah di tepi tanaman di mana vegetasi berakhir, NDVI rentan terhadap pengaruh spektral penutup tanah di sekitarnya,
memberikan kemungkinan ketidakpastian dalam interpretasi. Untuk alasan ini, Indeks Luas Daun dihitung. Leaf Area Index
menggunakan Soil-Adjusted Vegetation Index (SAVI) yang mempertimbangkan dampak tanah dalam kasus tersebut.
Pada langkah proses kedua, menggunakan pita spektral baru WV2 dan S2, beberapa indeks klorofil dan vegetasi yang inovatif
dibuat, untuk gambar dan dibandingkan untuk mengevaluasi efektivitasnya dalam mendeteksi area pertumbuhan tanaman yang
bermasalah. Indeks ini disusun dengan menggunakan pita Inframerah Dekat (NIR2) kedua, yang kurang terpengaruh oleh
atmosfer, dan juga pita Tepi Merah, yang meningkatkan akurasi dan kepekaan terhadap perubahan halus pada kesehatan
tanaman.
Hasilnya adalah gambar dengan kontinum nilai piksel yang berkisar dari -1 hingga 1. Secara umum, nilai negatif sesuai dengan
permukaan yang tidak bervegetasi, sedangkan positif sesuai dengan yang bervegetasi, meskipun nilai NDVI yang lebih rendah
untuk vegetasi biasanya dimulai dari 0,2 . Pada Gambar 2 distribusi spasial nilai NDVI, baik di ladang gandum dan kapas untuk
dua sistem satelit, disajikan.
Indeks Area Daun (LAI): LAI mengukur jumlah bahan daun dalam suatu ekosistem, yang memberlakukan kontrol penting pada
fotosintesis, respirasi, intersepsi hujan, dan proses lain yang menghubungkan vegetasi dengan iklim. Ketertarikan pada informasi tentang
distribusi dan perubahan LAI telah tumbuh secara substansial dalam beberapa dekade terakhir, karena kepentingan intrinsiknya dan
kemampuan yang muncul untuk estimasi LAI di area yang luas menggunakan pengukuran satelit. LAI pertama kali didefinisikan pada
tahun 1947 (sebagai total luas satu sisi jaringan fotosintesis per satuan luas permukaan tanah)[26]. Setelah meninjau berbagai definisi lain,
akhirnya, LAI didefinisikan sebagai setengah dari total luas daun per satuan luas permukaan tanah. Mereka juga mencatat bahwa definisi
yang berbeda dapat menghasilkan perbedaan yang signifikan antara nilai LAI yang dihitung. LAI adalah besaran tak berdimensi (m2/M2)
(Gambar 2) [27, 28, 29]. Untuk menjalankan LAI, saluran pita sensor RED dan NIR yang dikoreksi secara atmosfer yang dihasilkan oleh ATCOR
harus ditambahkan, menghitung Indeks Vegetasi yang Disesuaikan dengan Tanah (SAVI) pada awalnya. LAI dihitung menggunakan
persamaan berikut:
Di sisi lain, Sentinel-2 adalah satelit multispektral gratis yang menyediakan akses terbuka ke 13 pita spektral resolusi tinggi yang
inovatif, seperti beberapa pita Red Edge dan juga pita Near Infrared (NIR) dan Short-Wave Infrared (SWIR). Dalam penelitian ini,
beberapa indeks inovatif baru diuji, untuk menguji kemampuannya dalam mengungkapkan perbedaan antara tanaman muda
dan dewasa dan membedakan kondisi kesehatan tanaman (Gambar 4).
Tabel 2. Indeks Vegetasi yang dihitung menggunakan pita spektral WorldView-2 dan Sentinel-2
Satelit Indeks
WV2 NDVI
WV2
LAI
S2
Gambar 2. Gambar WV2 dan S2, NDVI dan LAI untuk tanaman gandum (musim dingin-April) dan kapas (musim panas-Juli), masing-masing
WV2
(A)
Tepi Merah
Klorofil
MCARI
Gambar 3. Tiga indeks inovatif yang diturunkan dari pita spektral baru WV2: (a) Indeks Klorofil Tepi Merah, (b) Indeks Vegetasi Normalisasi
Transformasi (TNDVI) dan (c) Indeks Rasio Penyerapan Klorofil Modifikasi (MCARI). Polyline merah dan kuning mewakili area yang
tampaknya memiliki masalah pertumbuhan tanaman pada tanaman gandum dan kapas, masing-masing.
S2
(A)
IRECI
(B)
PSSRa
(D)
MCARI
Gambar 4. Empat indeks inovatif yang diturunkan dari pita spektral baru S2: (a) Indeks Klorofil Tepi Merah Terbalik, (b) Rasio Sederhana
Spesifik Pigmen (indeks klorofil), (c) Indeks Vegetasi Tertransformasi Normalisasi (TNDVI) dan (d) Indeks Rasio Penyerapan Klorofil yang
Dimodifikasi (MCARI). Polyline merah dan kuning mewakili area yang tampaknya memiliki masalah pertumbuhan tanaman pada tanaman
gandum dan kapas, masing-masing.
4. HASIL
Perbandingan dua nilai indeks vegetasi (NDVI dan LAI) yang diberikan untuk dua periode budidaya (tanaman gandum Aprilwinter
dan tanaman kapas Juli-musim panas) yang berasal dari WV2 dan S2, dilakukan. Oleh karena itu, awalnya jaring ikan terpilih
geostatistik dari 40 dan 60 titik yang dipilih secara semi-acak di setiap bidang tanaman (gandum dan kapas), masing-masing,
dibuat sedemikian rupa untuk memiliki sampel distribusi yang baik di setiap bidang.
Akibatnya, perbandingan statistik VI dibuat untuk menunjukkan korelasi dan ketergantungannya. Perbandingan
grafis NDVI dan LAI untuk nilai WV2 dan S2 dilakukan, untuk masing-masing periode dua waktu. Selain itu,
koefisien determinasi (R2) dihitung, yang merupakan metode statistik yang berguna untuk perbandingan karena
memberikan proporsi varians (fluktuasi) dari satu variabel yang dapat diprediksi dari variabel lain (F
Gambar 5. Perbandingan secara grafis dan diagram Scatter yang menunjukkan korelasi nilai NDVI sampling WV2 dan S2
poin, untuk panen gandum di bulan April
Gambar 7. Perbandingan grafis dan diagram Scatter yang menunjukkan korelasi nilai NDVI titik sampling WV2 dan S2,
pangkas aku
Gambar 8. Perbandingan grafis dan diagram Scatter yang menunjukkan korelasi nilai LAI titik sampling WV2 dan S2,
untuk tanaman kapas di bulan Juli
Ucapan Terima Kasih: Pekerjaan yang dilaksanakan sebagai bagian dari FATIMA, proyek yang didanai Uni Eropa (Nomor Perjanjian Hibah: 633945
— FATIMA — H2020 – SFS – 2014 – 2015/H2020 – SFS – 2014 – 2). FATIMA singkatan dari "Alat pertanian untuk eksternal
masukan nutrisi dan pengelolaan air". Gambar Sentinel-2 diperoleh dari Copernicus Sentinel Scientific Data
Hub.
REFERENSI
[1] Harian, GC, Dasgupta, P., Bolin, B., Crosson, P., Guerny du, J., Ehrlich, PR, Folke, C., Jansson, AM, Jansson,
B. -O., Kautsky, N., Kinzig, A., Levin, S., Mailer, K. -G., Pinstrup-Andersen, P., Siniscalco, D. dan Walker, B., "Produksi
makanan, pertumbuhan penduduk, dan lingkungan" Science, 281, 1291-1292 (1998).
[2] Seelan, KS, Laguette, S., Casady MG dan Seielstad, AG, "Aplikasi penginderaan jauh untuk pertanian presisi:
Pendekatan komunitas pembelajaran" Penginderaan Jauh Lingkungan 88, 157–169 (2003).
[3] Pullanagari, RR, Yule, IJ, Tuohy, MP, Hedley, MJ, Dynes, RA and King, WM, "Penginderaan proksimal hiperspektral di lapangan
untuk memperkirakan parameter kualitas padang rumput campuran, " Pertanian Presisi 13, 351-369 (2012).
[4] Mulla, DJ, "Dua puluh lima tahun penginderaan jauh dalam pertanian presisi: Kemajuan utama dan kesenjangan
pengetahuan yang tersisa, " Biosystems Engineering, 114(4), 358-371 (2013).
[5] Wang, N., Zhang, N., Wang, M., "Sensor nirkabel di pertanian dan industri makanan perkembangan terbaru dan perspektif
masa depan" Komputer dan Elektronik di Pertanian, 50, 1-14 (2006).
[6] Dalezios, NR, Spyropoulos, N., Blanta, A., Stamatiades, S., "Agrometeorological Remote Sensing of High
Resolution for Decision Support in Precision Agriculture" CG Helmis dan PT Nastos (eds.), Kemajuan
Meteorologi, Klimatologi dan Fisika Atmosfer, Ilmu Atmosfer Springer, Springer-Verlag Berlin Heidelberg
(2012).
[7] Lauer, DT, Morain, SA, Salomonson, VV, "Program Landsat: Asal-usulnya, evolusi, dan dampaknya" Rekayasa
Fotogrametri dan Penginderaan Jauh, 63, 831–838 (1997).
[8] Loveland, TR, & Dwyer, JL, "Landsat: Membangun masa depan yang kuat" Penginderaan Jauh Lingkungan, 122, 22–29 (2012).
[9] Kooistra L., Clevers J., Beza E., van Vliet P., van den Borne J., van der Velde W., "Peluang untuk Sentinel-2 dalam pendekatan
sensor terintegrasi untuk mendukung pengambilan keputusan dalam pertanian presisi "Prok. Simposium Persiapan
Sentinel-2 Pertama, Frascati, Italia, ESA SP-707 (2012).
[37] Guyot, G. Baret, F., "Utilisation de la haute resolution spectrale pour suivre I'etat des couverts vegetaux, " 4th
International Colloquium in Spectral Signatures of Objects in Remote Sensing, ESA, Publication SP-287, 279– 286
(1988).
[38] Clevers, JGPW, De Jong, SM, Epema, GF and Addink, EA, "MERIS and the Red-Edge Index," Lokakarya EARSeL
Kedua tentang Spektroskopi Pencitraan, Enschede (2000).
[39] Blackburn, GA, "Mengukur klorofil dan karotenoid pada sisik daun dan kanopi: evaluasi beberapa
pendekatan hiperspektral, " Remote Sens. Environ., 66, 273-285 (1998).