Klíčová slova: "precizní zemědělství, variabilní aplikace, mapování půdy"
Ing. Vojtěch Lukas, Ph.D., Mendelova univerzita v Brně
Precizní zemědělství je řazeno mezi deset nejvýznamnějších inovací uplatňovaných v současnosti v oblasti pěstování rostlin spolu s šetrným hospodařením s vláhou, pokročilou zemědělskou mechanizací, půdo-ochrannými technologiemi pěstování rostlin, trvale udržitelnou produkcí, biotechnologiemi a metodami genového inženýrství ve šlechtění plodin Crookston (2006). Hodnocení využívání technologií precizního zemědělství ve vybraných zemích EU potvrdilo jejich prosazování politickými a poradenskými autoritami jako cestu zvyšování produktivity zemědělské půdy se současným zachováním jejího přírodního bohatství (Barnes et al., 2019).
Koncept hospodaření pomocí management zón
Specifickým způsobem lokálně cílené aplikace vstupů je hospodaření v management zónách, kdy dochází k rozdělení pozemku do několika těchto zón, které jsou v požadovaných vlastnostech více homogenní než celý pozemek (Zhang et al., 2002). Management zóna je pak definovaná jako část pole, která vyjadřuje homogenní kombinaci výnos limitujících faktorů a pro která je tedy možné aplikovat jednotnou intenzitu vstupů (Doerge, 1998). Taylor a Whelan (2007) považují koncept hospodaření v management zónách za přechod mezi uniformním hospodařením a plně lokálně cíleným přístupem. Jedná se o ekonomicky přijatelnou podobu hospodaření, která pro adaptaci postupů precizního zemědělství dokáže využít stávající (konvenční) úrovně mechanizace a dalšího vybavení (Gavioli et al., 2019). K úplné aplikaci těchto principů dojde zlepšující se schopností detekce heterogenity, snižující se cenou technologií pro variabilní aplikaci a zohledněním environmentálního působení.
Význam nevyrovnanosti pozemků se nejvíce projevuje na výnose plodin. Variabilita výnosu, stanovená z výnosových map, poskytuje podstatnou informaci pro rozhodování o variabilní aplikaci. Pokud není známa příčina variability výnosu, je doporučeno uniformní hospodaření (Adamchuk et al. 2010, obr. 55). Lokálně cílené hospodaření lze provádět v případě, kdy jsou oblasti s rozdílným výnosem konzistentní za více let a korespondují k nějaké agronomicky významné vlastnosti (zásobenost živinami, topografie, historie užívání půdy, atd.). Využívání technologií precizního zemědělství přitom není jen otázkou hospodaření na orné půdy. Higgins et al. (2019) analyzují možnosti lokálně cíleného hospodaření, zejména variabilní aplikace hnojiv a optimalizace pojezdů zemědělské mechanizace po pozemcích formou jednotných kolejových řádků (Controlled Traffic Farming – CTF), pro zvýšení produktivity a efektivnosti hospodaření na trvalých travních porostech.
Metody identifikace prostorové nevyrovnanosti pozemků
Zjištění variability je prvním a kritickým krokem v precizním zemědělství, neboť nelze obhospodařovat variabilitu, pokud ji neznáme (Pierce a Nowak, 1999). Prostorová variabilita pozemků představuje základní vstupní informaci pro diferencovanou aplikaci.
Významnou roli při mapování nevyrovnanosti půdních a porostních podmínek mají nepřímé metody pracující na principu senzorového měření. Senzorová technika má fixní náklady, může měřit ve velkém prostorovém i časovém měřítku a umožňuje opakované měření přímo v terénu. Nevýhodou nepřímých metod je vždy nižší přesnost stanovení sledovaného jevu v porovnání s přesnými laboratorními rozbory. Tato nižší přesnost je ale vyvážena intenzivním prostorovým pokrytím (Christy, 2008).
Dle způsobu provádění měření lze senzorové mapování půdních či porostních podmínek rozdělit na metody pozemního průzkumu (proximal sensing), v podobě diskrétního nebo průběžného (on-the-go) měření), a dálkového průzkumu (remote sensing) distančním měřením formou družicového, leteckého či bezpilotního snímkování.
Digitální mapování půdy
Oblast pedologie, která se zabývá tvorbou geograficky vztažených informací o půdě s využitím polních a laboratorních měření, se nazývá digitální mapování půdy - Digital Soil Mapping, (Lagacherie et al., 2007)). Kromě informací o půdních charakteristikách získávaných tradičním půdním průzkumem v podobě vzorkování půdy začleňuje také údaje o reliéfu terénu a data senzorových měření.
Dle McBratney et al. (2003) představuje vzorkování významnou částí digitálního mapování půdy. Základní ideou digitálního mapování půdy je zjištění půdních vlastností vykazujících některé korelace s environmentálními proměnnými, např. DEM, geologické mapy a snímky dálkového průzkumu. Tato doplňková data mohou být využita pro optimalizaci vzorkovacích lokalit (Minasny et al., 2007). Podrobnější členění a výčet schémat vzorkování půdy popisují v certifikované metodice Minařík et al. (2018).
Měření elektrické vodivosti půdy
Měření elektrické vodivosti půdy (ECa – apparent electrical conductivity) představuje formu senzorového mapování půdních podmínek. V zemědělství je využíváno od 70. let 20. stol., prvotní aplikací bylo zjišťování salinity půdy v USA, v průběhu následujících let byl vyvinut do stavu, kdy je dnes nejčastěji používanou technologií pro charakteristiku variability pozemku za účelem provádění lokálně specifických aplikací (Corwin a Lesch, 2005). S výjimkou precizního zemědělství představuje právě identifikace zasolených oblastí na pozemcích nejběžnější aplikaci této metody v zemědělství. Krátký popis historie tohoto zkoumání podává např. Corwin a Lesch (2003) nebo Allred et al. (2008). Problematice využití elektrické vodivosti při detekci zvýšené salinity půdy se podrobněji zabývají např. Rhoades et al. (1999). Podle Godwina a Millera (2003) představuje měření elektrické vodivosti půdy nákladově efektivní metodu doplňující tradiční půdní průzkum.
Měření elektrické vodivosti může být prováděno přístroji pracujícími na principu měření elektrického odporu (ER) nebo neinvazivním způsobem pomocí měření elektromagnetické indukce (EMI). Elektrická vodivost půdy je ovlivňována působením mnoha půdních faktorů. Friedman (2005) je ve své práci rozděluje do tří kategorií:
- faktory charakterizující objemové vlastnosti půdy na základě podílu třech půdních fází (pórovitost, obsah vody v půdě a struktura půdy),
- faktory kvantifikující pevné částice, které jsou z časového hlediska neměnné (tvar částic a jejich orientace, distribuce rozdílných velikostí částic, kationtová výměnná kapacita a smáčivost půdy),
- vlastnosti půdního roztoku, které se mění dle způsobu hospodaření a environmentálních podmínek (iontová síla, kompozice kationtů a teplota půdy).
Dálkový průzkum
Dálkový průzkum představuje soubor metod získávání informací o objektech prostřednictvím zařízení, které se sledovaným objektem nejsou v kontaktu (Lillesand a Kiefer, 1994). Ačkoli jsou v zemědělství metody dálkového snímání využívány více jak 40 let, v porovnání s ostatními agronomickými oblastmi se ale jedná o relativně nové postupy (Hatfield et al., 2008). Rozvoj metod DPZ v precizním zemědělství za posledních 20 let popisuje ve své práci (Mulla, 2013). Vysoký potenciál dálkového průzkumu v precizním zemědělství spočívá dle Pierce et al. (1999) v možnosti monitorování prostorové variability v průběhu času s vysokým rozlišením. Neposkytuje ale informace o příčině sledované variability. Pro zemědělské aplikace je kromě viditelného a blízce infračerveného spektra (NIR) využíváno také krátkovlnného infračerveného (SWIR) a tepelného záření a oblasti mikrovln.
Systémy dálkového průzkumu lze dělit dle několika kritérií – dle zdroje elektromagnetického záření (pasivní, aktivní), typu nosiče (pozemní, letecké, satelitní snímkování), typu senzoru (fotografické senzory, rozkladová zařízení, hyperspektrální systémy), snímané části elektromagnetického záření (panchromatické systémy, viditelné spektrum, infračervená oblast, termografie, mikrovlnné snímání) nebo dle nasměrování snímací aparatury (nadir, off-nadir). Detailnější rozdělení metod a popis technologií lze nalézt v základní literatuře dálkového průzkumu Země (Campbell, 2002; Jensen, 2005; Liang, 2004; Lillesand a Kiefer, 1994), popisem předzpracování výsledků procesu dálkového snímání – obrazových dat – se zabývá např. Schott (2007) nebo Schowengerdt (2007).
Družicová obrazová data umožňují zachycení rozsáhlého území v krátkém časovém intervalu s vysokou periodicitou, která je vhodná pro zachycení dynamiky přírodních jevů. Vývoj snímacích zařízení po dobu posledních 20 let využívání družicového průzkumu v precizním zemědělství a konfigurace orbitálních drah u nově vypouštěných družic vede ke zvyšování prostorového rozlišení a snižování doby oběhu družicových systémů (Mulla, 2013). Díky svým vlastnostem a bezplatnou dostupností je jedním z nejčastěji využívaných zdrojů družicových dat pro precizní zemědělství program NASA a USGS (USA) Landsat. Průzkum byl zahájen vypuštěním první družice Landsat-1 v roce 1972. Vzhledem k této historické řadě jsou data velmi rozšířená v nejrůznějších aplikacích dálkového průzkumu Země (Roy et al., 2014). Uvolnění poskytování dat bez poplatků široké veřejnosti přes internet v roce 2008 rapidně zvýšilo expanzi využívání dat DPZ a jejich aplikaci v nejrůznějších vědeckých disciplínách (Zhu et al., 2019). Novější generaci představují senzory Landsat OLI a TIRS, provozované na družici Landsat-8 LDCM (Loveland a Irons, 2016). Multispektrální senzor OLI pokrývá 9 pásem v oblasti viditelného, blízké infračerveného (NIR) a krátkovlnného infračerveného (SWIR) záření; termální senzor TIRS pak přidává další 2 pásma v termálním infračerveném spektru (Irons et al., 2012). Prostorové rozlišení multispektrálního skeneru je 30m na pixel. Všechny scény pořízené družicemi Landsat jsou standardizované – družice obíhají planetu po 232 drahách, šířka záběru snímacího zařízení je 183 kilometrů. Obrazová data v podobě jednotlivých scén jsou dostupná po registraci na stránkách USGS (earthexplorer.usgs.gov), vč. automatického upozorňování na nové snímky vybraného území; velikost jedné scény se všemi spektrálními pásmy je zhruba 2 GB. Družicové snímky jsou dodávány po základním geometrickém zpracování (Level 1). V současnosti (2020) je v přípravě nová mise Landsat-9, která svými parametry navazuje na předchozí Landsat 8 LDCM a je součástí programu Sustainable Land Imaging (SLI). Družice bude vybavena multispektrálním senzorem OLI-2, shodným se senzorem OLI na Landsat-8, a termálním skenerem TIRS-2, u kterého je v porovnání s předchůdcem vylepšena optická část skenovacího zařízení (Wulder et al., 2019).
V roce 2015 byla v rámci programu Evropské kosmické agentury ESA Copernicus vypuštěna družice Sentinel 2A, která tematicky navazuje na misi Landsat. Pořizuje multispektrální obrazová data ve 13 pásmech s prostorovým rozlišením 10, 20 a 60 metrů v závislosti na vlnové délce o celkové šířce záběru 290 km. Konfigurace spektrálních pásem umožňuje výpočet vegetačních indexů v oblasti red-edge (Drusch et al., 2012). V roce 2017 byla doplněna družice Sentinel 2B, časové rozlišení tandemu družic bude 5 dní (pro oblast rovníku, pro naši zeměpisnou šířku je 3-4 dny). Data jsou volně k dispozici po registraci na portálu ESA OpenHub, pro území ČR lze využít národního datového úložiště CESNET Collaborative Ground Segment (CollGS).
Pro hodnocení stavu porostů zemědělských plodin lze z multispektrálních dat vypočítat vegetační indexy, které jsou stanoveny na základě poměru odrazivosti v přesně definovaných pásmech elektromagnetického záření. Odborná literatura uvádí řadu vegetačních parametrů, které lze využít pro diagnostiku stanovení výživného stavu rostlin a stresových projevů (Fu et al., 2014; Li et al., 2014). Využíván je družicový dálkový průzkum poskytující multispektrální data s vysokým prostorovým a časovým rozlišením, ale také letecké multispektrální a hyperspektrální snímkování či pozemní mapování s využitím spektrometrických metod. Celá řada odborných studií popisuje spektrální odrazivost v oblasti viditelné a blízce infračervené (NIR) části elektromagnetického záření vhodnou pro stanovení biofyzikálních parametrů na základě vegetačních indexů. např. Stagakis et al. (2010), Li et al. (2014), Fu et al. (2014).
Stanovení výnosových úrovní ze záznamů při sklizni
Vývoj sklízecí techniky v současnosti nabízí možnost celoplošného monitorování výnosu sklízené plodiny. Před použitím výnosových map je ale nutné záznamy ze sklízecí mlátičky upravit, neboť jsou zkresleny celou řadou vlivů (Blackmore a Marshall, 1996; Noack, 2007) - provést odstranění chybových, nespolehlivých a odlehlých hodnot daných chybným záznamem polohy, záběru, objížděním překážek a otáčením, apod. Podrobný popis zpracování výnosových záznamů uvádí celá řada zahraničních studií (Leroux et al., 2018; Lyle et al., 2014; Ping a Dobermann, 2005; Sudduth a Drummond, 2007; Vega et al., 2019). Kromě chybových záznamů může být problematické také zpracování záznamů z více sklízecích mlátiček provádějících současně sklizeň na jednom pozemku. Mezera et al. (2018) ukazují na úskalí tvorby výnosových map jak z hlediska kombinace datových vstupů ze dvou sklízecích mlátiček, tak použití vhodné interpolační metody pro získání spolehlivé rastrové mapy.
Pro vymezení management zón je nutné kombinovat výnosové záznamy za více ročníků. Cílem je vyhodnotit variability výnosových úrovní za sledované období a identifikovat nadprůměrně či podprůměrně výnosné plochy včetně procentuální vztažení vůči průměrné hodnotě dosaženého výnosu plodiny Blackmore et al. (2003). Úskalím klasifikace management zón z časové řady výnosových map je spolehlivost výnosových záznamů, zejména ovlivněna vysokou četností chybových hodnot, systematickými chybami datových záznamů a omezená schopnost predikce výnosů (Joernsgaard a Halmoe, 2003).
V případě absence výnosových záznamů lze produkční zóny definovat identifikací nevyrovnanosti porostů z dat DPZ nebo kombinací map výnos určujících půdních vlastností (Fleming et al., 2000). Často se přístupy při vymezení zón pro návrh variabilně prováděných pěstebních zásahů opírají o nejrůznější segmentační algoritmy (Georgi et al., 2018). Hunt et al. (2019) ve své práci využili volně dostupné snímky družice Sentinel-2 pro vymezení nevyrovnanosti výnosů pšenice ozimé v kombinaci s meteorologickými záznamy, topografickými atributy a měření vlhkosti půdy. Jak ukazuje Kumhálová et al. (2014) na základě hodnocení vegetačního indexu Moisture stress index z Landsat 5, variabilita výnosů zemědělských plodin je významně ovlivněna topografickými faktory na těch pozemcích, kde je rozdílná distribuce půdní vláhy. Výsledky mohou být následně uplatněny zemědělskými podniky při návrhu lokálně cíleného hospodaření.
Postupy vymezení management zón (MZ)
Tvorba MZ může vycházet z nejrůznějších vstupních dat, které popisují rozložení půdních, topografických či porostních podmínek. Fraisse et al. (2001) popisují vymezení MZ na základě neřízené klasifikace topografických atributů (reliéf terénu) a výsledků měření elektrické vodivosti půdy. Pro redukci vstupních dat byla použita metoda analýzy hlavních komponent (PCA) a následně neřízená shlukovací klasifikace. Kvalita vymezení MZ byla hodnocena pomocí výnosových map. Výsledky ukázaly, že nadmořská výška a elektrická vodivost půdy byly důležitějšími parametry než sklon terénu a topografický index (CTI). Optimální počet zón se lišil rok od roku a souvisel s povětrnostními podmínkami a pěstovanou plodinou – počet zón se snížil při příznivějších vláhových podmínkách anebo při plodině tolerantní na vodní stres.
Monzon et al. (2018) provedli rozdělení pozemků do čtyř management zón dle mocnosti půdy, rizika vymrznutí a hloubky podzemní vody. Na základě tohoto rozčlenění byly voleny plodiny a pěstební operace dle ekofyziologických principů zahrnující nároky plodin na mocnost půdy, dostupnost půdní vláhy a citlivost na poškození mrazem v průběhu kritického období specifického pro jednotlivé plodiny. V porovnání s konvenčním hospodaření bylo dosaženo o 54 % vyšší produkce a 46% zvýšení tržeb.
Vymezení MZ může také zahrnovat požadavky na ochranu rostlin. Méndez-Vázquez et al. (2019) se při návrhu MZ v citroníkových plantážích v Mexiku zaměřovali také na distribuci šíření šesti druhů chorob a škůdců a začlenili do vstupních dat také meteorologické údaje.
Nejčastěji používané metody pro vymezení management zón mohou být zařazeny do dvou kategorií – empirické a shlukovací analýzy (Gavioli et al., 2019). Empirické metody jsou založeny na využití odborných znalostí a distribuci výnosu pro rozdělení pozemku do daného počtu zón. Jedná se o jednoduché postupy, které ale podléhají subjektivnímu rozhodnutí. Metody shlukové analýzy naproti tomu rozřazují datové hodnoty zemědělských pozemků do tříd (skupin) na základě jejich podobnosti. Metody shlukování jsou složitější než metody empirické a umožňují větší diferenciaci mezi třídami pomocí méně subjektivních kritérií. V procesu definice management zón se může využít několik vstupních proměnných – mapových vrstev. Mezi nejznámější algoritmy patří K-means a fuzzy 100-means (FCM). (Gavioli et al., 2019)
Variabilní provádění pěstebních zásahů
Variabilní provádění pěstebních zásahů představuje klíčovou technologii při lokálně cíleném hospodaření na zemědělské půdě. Nejčastěji je využívána variabilní aplikace hnojiv, kde na rozdíl od tradičně prováděné uniformní aplikace hnojiv jsou zohledňovány lokální rozdíly v zásobě přístupných živin v půdě nebo výživného stavu porostů v rámci jednotlivých pozemků. Wittry a Mallarino (2004) ukazují na příkladu aplikace fosforečných hnojiv, že variabilní aplikace nemusí vést ke prokazatelnému zvýšení výnosu pěstované plodiny. Dosahuje ale vyšší efektivity užívání hnojiv snížením celkové dávky o 12 – 42 % a snížení plošné variability obsahu fosforu v půdě. Jak ve své práci konstatují Robertson et al. (2008), ekonomické přínosy variabilní aplikace hnojiv se zvyšují s vyšší variabilitou dosahovaných výnosů v rámci pozemků. Ačkoli vyšší rozpětí hodnot výnosu lze lépe pokrýt postupným přidáváním management zón, zvýšení počtu zón mělo jen nízký vliv na ekonomické benefity. Lawes a Robertson (2011) analyzovali ekonomický přínos variabilní aplikace hnojiv na vybraných farmách v západní Austrálii. Výsledky se lišily napříč jednotlivými farmami, ale obecně lze konstatovat, že pouze třetina pozemků generovala prokazatelně zisk při variabilní aplikaci. Prostorová variabilita výnosů a půdní úrodnosti přitom hrála významnější roli než náklady na materiál či výkupní ceny produkce
Jin et al. (2019) ve své studii hodnotili vliv variabilní aplikace dusíkatých hnojiv pomocí simulačních modelů pro cca 2600 pozemků v USA. Z výsledků vyplývá, že (1) variabilní aplikace dusíkatých hnojiv je stěží zisková pokud se berou v potaz pouze agronomické přínosy; (2) vyšší ziskovost lze očekávat na pozemcích s vyšší heterogenitou; (3) benefity variabilní aplikace jsou významné, pokud se zohledňují také environmentální přínosy v podobě snížení vyplavování N a emisí N2O; a (4) potenciál ovlivnění časové variability (např. mezi-ročníková změna optimálního dávkování N) je více jak trojnásobný než vlastní plošná variabilita sledovaného znaku. Jednoznačnější agronomické přínosy technologií variabilní aplikace lze očekávat při začlenění i dalších postupů, jako jsou variabilní setí či variabilní aplikace přípravků na ochranu rostlin.
Z hlediska hodnocení přínosů využívání technologií precizního zemědělství nejsou dostupné odborné studie jednotné. Dle Lowenberg-DeBoer a Erickson (2019) bylo např. navádění s využitím GNSS a přidružené technologie automatizace, jako jsou ovládání sekcí na aplikační technice nebo postupné vypínání řádků secích strojů, přijato tak rychle, jako žádné jiné významné technologie v zemědělství. Přitom vlastní zavádění postupů variabilních aplikací v zemědělských podnicích je velmi pozvolné. Dle jejich studie sotva více jak 20 % zemědělských podniků využívá technologie variabilní aplikace, která přitom byla zemědělci přijímána jako jedno z prvních dostupných řešení precizního zemědělství. Relativně nízkou míru využívání těchto technologií nelze dle autorů považovat za neúspěch, ale spíše za první krok v lokálně cíleném obhospodařování pozemků, který může být časem nahrazen příchodem mnohem pokročilejších technologií, jako jsou autonomní robotické systémy s prvky strojového učení provádějící pěstební zásahy na úrovni rostlin (Lowenberg-DeBoer a Erickson, 2019).
Seznam použité literatury
Allred, B. J., Daniels, J. J., Ehsani, M. R. Handbook of agricultural geophysics. Boca Raton: CRC Press, 2008, 410 s. ISBN 9780849337284
Barnes, A. P., Soto, I., Eory, V., Beck, B., Balafoutis, A., Sanchez, B., Vangeyte, J., Fountas, S., van der Wal, T., Gomez-Barbero, M. Exploring the adoption of precision agricultural technologies: A cross regional study of EU farmers. Land Use Policy. 2019, vol. 80, pp. 163-174. Jan. ISSN 0264-8377
Blackmore, S., Godwin, R. J., Fountas, S. The Analysis of Spatial and Temporal Trends in Yield Map Data over Six Years. Biosystems Engineering. 2003, vol. 84, no. 4, pp. 455-466. 4//. ISSN 1537-5110
Blackmore, S., Marshall, C. Yield mapping; errors and algorithms, in 3rd International Conference on Precision Agriculture, Minneapolis, USA, 1996.
Campbell, J. B. Introduction to remote sensing, 3rd. New York: Guilford Press, 2002, 621 p. s. ISBN 1572306408
Corwin, D. L., Lesch, S. M. Application of soil electrical conductivity to precision agriculture: Theory, principles, and guidelines. Agronomy Journal. 2003, vol. 95, no. 3, pp. 455-471.
Corwin, D. L., Lesch, S. M. Apparent soil electrical conductivity measurements in agriculture. Computers and Electronics in Agriculture. 2005, vol. 46, no. 1-3, pp. 11-43. ISSN 0168-1699
Crookston, R. K. A Top 10 List of Developments and Issues Impacting Crop Management and Ecology During the Past 50 Years. Crop Science. 2006, vol. 46, no. 5, pp. 2253-2262. ISSN 0011-183X
Doerge, T. Defining management zones for precision farming. Crop Insights. 1998, vol. 8, no. 21, pp. 85-99.
Drusch, M., Del Bello, U., Carlier, S., Colin, O., Fernandez, V., Gascon, F., Hoersch, B., Isola, C., Laberinti, P., Martimort, P., Meygret, A., Spoto, F., Sy, O., Marchese, F., Bargellini, P. Sentinel-2: ESA's Optical High-Resolution Mission for GMES Operational Services. Remote Sensing of Environment. 2012, vol. 120, pp. 25-36. 5/15/. ISSN 0034-4257
Fleming, K. L., Westfall, D. G., Wiens, D. W., Brodahl, M. C. Evaluating farmer defined management zone maps for variable rate fertilizer application. Precision Agriculture. 2000, vol. 2, no. 2, pp. 201-215. ISSN 13852256
Fraisse, C. W., Sudduth, K. A., Kitchen, N. R. Delineation of site-specific management zones by unsupervised classification of topographic attributes and soil electrical conductivity. Transactions of the American Society of Agricultural Engineers. 2001, vol. 44, no. 1, pp. 155-166. ISSN 00012351 (ISSN)
Friedman, S. P. Soil properties influencing apparent electrical conductivity: A review. Computers and Electronics in Agriculture. 2005, vol. 46, no. 1-3 SPEC. ISS., pp. 45-70. ISSN 01681699
Fu, Y., Yang, G., Wang, J., Song, X., Feng, H. Winter wheat biomass estimation based on spectral indices, band depth analysis and partial least squares regression using hyperspectral measurements. Computers and Electronics in Agriculture. 2014, vol. 100, no. 0, pp. 51-59. 1//. ISSN 0168-1699
Gavioli, A., de Souza, E. G., Bazzi, C. L., Schenatto, K., Betzek, N. M. Identification of management zones in precision agriculture: An evaluation of alternative cluster analysis methods. Biosystems Engineering. 2019, vol. 181, pp. 86-102. 2019/05/01/. ISSN 1537-5110
Georgi, C., Spengler, D., Itzerott, S., Kleinschmit, B. Automatic delineation algorithm for site-specific management zones based on satellite remote sensing data. Precision Agriculture. 2018, vol. 19, no. 4, pp. 684-707. August 01. ISSN 1573-1618
Godwin, R. J., Miller, P. C. H. A Review of the Technologies for Mapping Within-field Variability. Biosystems Engineering. 2003, vol. 84, no. 4, pp. 393-407. ISSN 1537-5110
Hatfield, J. L., Gitelson, A. A., Schepers, J. S., Walthall, C. L. Application of Spectral Remote Sensing for Agronomic Decisions. Agron J. 2008, vol. 100, no. Supplement_3, pp. S-117-131. May 7, 2008
Higgins, S., Schellberg, J., Bailey, J. S. Improving productivity and increasing the efficiency of soil nutrient management on grassland farms in the UK and Ireland using precision agriculture technology. European Journal of Agronomy. 2019, vol. 106, pp. 67-74. May. ISSN 1161-0301
Hunt, M. L., Blackburn, G. A., Carrasco, L., Redhead, J. W., Rowland, C. S. High resolution wheat yield mapping using Sentinel-2. Remote Sensing of Environment. 2019, vol. 233, pp. 111410. 2019/11/01/. ISSN 0034-4257
Christy, C. D. Real-time measurement of soil attributes using on-the-go near infrared reflectance spectroscopy. Computers and Electronics in Agriculture. 2008, vol. 61, no. 1, pp. 10-19. ISSN 0168-1699
Irons, J. R., Dwyer, J. L., Barsi, J. A. The next Landsat satellite: The Landsat Data Continuity Mission. Remote Sensing of Environment. 2012, vol. 122, no. 0, pp. 11-21. 7//. ISSN 0034-4257
Jensen, J. R. Introductory digital image processing: A remote sensing perspective, 3rd. Upper Saddle River, N.J.: Prentice Hall, 2005. ISBN 0131453610
Jin, Z. N., Archontoulis, S. V., Lobell, D. B. How much will precision nitrogen management pay off? An evaluation based on simulating thousands of corn fields over the US Corn-Belt. Field Crops Research. 2019, vol. 240, pp. 12-22. Jul. ISSN 0378-4290
Joernsgaard, B., Halmoe, S. Intra-field yield variation over crops and years. European Journal of Agronomy. 2003, vol. 19, no. 1, pp. 23-33. ISSN 11610301
Kumhálová, J., Zemek, F., Novák, P., Brovkina, O., Mayerová, M. Use of landsat images for yield evaluation within a small plot. Plant, Soil and Environment. 2014, vol. 60, no. 11, pp. 501-506. ISSN 12141178 (ISSN)
Lagacherie, P., McBratney, A. B., Voltz, M., Global Workshop on Digital Soil, M. Digital soil mapping : an introductory perspective. Amsterdam; Boston: Elsevier, 2007, 600 s. ISBN 9780444529589
Lawes, R. A., Robertson, M. J. Whole farm implications on the application of variable rate technology to every cropped field. Field Crops Research. 2011, vol. 124, no. 2, pp. 142-148. 2011/11/14/. ISSN 0378-4290
Leroux, C., Jones, H., Clenet, A., Dreux, B., Becu, M., Tisseyre, B. A general method to filter out defective spatial observations from yield mapping datasets. Precision Agriculture. 2018, vol. 19, no. 5, pp. 789-808. October 01. ISSN 1573-1618
Li, F., Mistele, B., Hu, Y., Chen, X., Schmidhalter, U. Reflectance estimation of canopy nitrogen content in winter wheat using optimised hyperspectral spectral indices and partial least squares regression. European Journal of Agronomy. 2014, vol. 52, pp. 198-209. //. ISSN 11610301 (ISSN)
Liang, S. Quantitative remote sensing of land surfaces. John Wiley & Sons, 2004, 534 s. ISBN 0471281662
Lillesand, T. M., Kiefer, R. W. Remote sensing and image interpretation, 3rd. New York: Wiley & Sons, 1994, 751 s. ISBN 9780471577836
Loveland, T. R., Irons, J. R. Landsat 8: The plans, the reality, and the legacy. Remote Sensing of Environment. 2016, vol. 185, pp. 1-6. 11//. ISSN 0034-4257
Lowenberg-DeBoer, J., Erickson, B. Setting the Record Straight on Precision Agriculture Adoption. Agronomy Journal. 2019, vol. 111, no. 4, pp. 1552-1569. Jul-Aug. ISSN 0002-1962
Lyle, G., Bryan, B. A., Ostendorf, B. Post-processing methods to eliminate erroneous grain yield measurements: review and directions for future development. Precision Agriculture. 2014, vol. 15, no. 4, pp. 377-402. 2014/08/01. ISSN 1385-2256
McBratney, A. B., Mendonca Santos, M. L., Minasny, B. On digital soil mapping. Geoderma. 2003, vol. 117, no. 1-2, pp. 3-52. ISSN 00167061
Méndez-Vázquez, L. J., Lira-Noriega, A., Lasa-Covarrubias, R., Cerdeira-Estrada, S. Delineation of site-specific management zones for pest control purposes: Exploring precision agriculture and species distribution modeling approaches. Computers and Electronics in Agriculture. 2019, vol. 167, pp. 105101. 2019/12/01/. ISSN 0168-1699
Mezera, J., Lukas, V., Elbl, J., Smutný, V. Spatial analysis of crop yields maps in precision agriculture. In Cerkal, R. et al. MendelNet 2018: Proceedings of 25th International PhD Students Conference, Brno: Mendel University in Brno, 2018, p. 60-65. ISBN 978-80-7509-597-8
Minařík, R., Žížala, D., Lukas, V., Kraus, M. Optimalizace vzorkování půd s využitím spektrálních dat pro účely lokálně cílené agrotechniky. Praha: Výzkumný ústav meliorací a ochrany půdy, v.v.i., 2018, 82 s. ISBN 978–80–87361–95–5
Minasny, B., McBratney, A. B., Walvoort, D. J. J. The variance quadtree algorithm: Use for spatial sampling design. Computers and Geosciences. 2007, vol. 33, no. 3, pp. 383-392. ISSN 00983004
Monzon, J. P., Calviño, P. A., Sadras, V. O., Zubiaurre, J. B., Andrade, F. H. Precision agriculture based on crop physiological principles improves whole-farm yield and profit: A case study. European Journal of Agronomy. 2018, vol. 99, pp. 62-71. 2018/09/01/. ISSN 1161-0301
Mulla, D. J. Twenty five years of remote sensing in precision agriculture: Key advances and remaining knowledge gaps. Biosystems Engineering. 2013, vol. 114, no. 4, pp. 358-371. 4//. ISSN 1537-5110
Noack, P. O. Ertragskartierung im Getreidebau. Darmstadt: KTBL, 2007, 40 s. ISBN 3939371424
Pierce, F. J., Nowak, P. Aspects of Precision Agriculture. Advances in Agronomy. 1999, vol. 67, pp. 1-85. ISSN 0065-2113
Ping, J. L., Dobermann, A. Processing of yield map data. Precision Agriculture. 2005, vol. 6, no. 2, pp. 193-212. ISSN 13852256
Rhoades, J. D., Chanduvi, F., Lesch, S. M. Soil salinity assessment : methods and interpretation of electrical conductivity measurements. Rome: Food and Agriculture Organization of the United Nations, 1999. ISBN 9251042810
Robertson, M. J., Lyle, G., Bowden, J. W. Within-field variability of wheat yield and economic implications for spatially variable nutrient management. Field Crops Research. 2008, vol. 105, no. 3, pp. 211-220. 2008/02/01/. ISSN 0378-4290
Roy, D. P., Wulder, M. A., Loveland, T. R., C.E, W., Allen, R. G., Anderson, M. C., Helder, D., Irons, J. R., Johnson, D. M., Kennedy, R., Scambos, T. A., Schaaf, C. B., Schott, J. R., Sheng, Y., Vermote, E. F., Belward, A. S., Bindschadler, R., Cohen, W. B., Gao, F., Hipple, J. D., Hostert, P., Huntington, J., Justice, C. O., Kilic, A., Kovalskyy, V., Lee, Z. P., Lymburner, L., Masek, J. G., McCorkel, J., Shuai, Y., Trezza, R., Vogelmann, J., Wynne, R. H., Zhu, Z. Landsat-8: Science and product vision for terrestrial global change research. Remote Sensing of Environment. 2014, vol. 145, pp. 154-172. ISSN 00344257 (ISSN)
Schott, J. R. Remote sensing : the image chain approach, 2nd. New York: Oxford University Press, 2007. ISBN 9780195178173
Schowengerdt, R. A. Remote sensing : models and methods for image processing, 3rd. Amsterdam [Netherlands]; Burlington, MA: Elsevier ; Academic Press, 2007. ISBN 9780123694072
Stagakis, S., Markos, N., Sykioti, O., Kyparissis, A. Monitoring canopy biophysical and biochemical parameters in ecosystem scale using satellite hyperspectral imagery: An application on a Phlomis fruticosa Mediterranean ecosystem using multiangular CHRIS/PROBA observations. Remote Sensing of Environment. 2010, vol. 114, no. 5, pp. 977-994. ISSN 0034-4257
Sudduth, K. A., Drummond, S. T. Yield Editor: Software for Removing Errors from Crop Yield Maps. Agron J. 2007, vol. 99, no. 6, pp. 1471-1482. October 15, 2007
Taylor, J., Whelan, B. A general introduction to precision agriculture. 2007, [20.8.2009], 1-10 str. http://www.usyd.edu.au/agric/acpa/GRDC/Intro.pdf
Vega, A., Córdoba, M., Castro-Franco, M., Balzarini, M. Protocol for automating error removal from yield maps. Precision Agriculture. 2019. ISSN 1385-2256
Wittry, D. J., Mallarino, A. P. Comparison of Uniform- and Variable-Rate Phosphorus Fertilization for Corn-Soybean Rotations. Agronomy Journal. 2004, vol. 96, no. 1, pp. 26-33.
Wulder, M. A., Loveland, T. R., Roy, D. P., Crawford, C. J., Masek, J. G., Woodcock, C. E., Allen, R. G., Anderson, M. C., Belward, A. S., Cohen, W. B., Dwyer, J., Erb, A., Gao, F., Griffiths, P., Helder, D., Hermosilla, T., Hipple, J. D., Hostert, P., Hughes, M. J., Huntington, J., Johnson, D. M., Kennedy, R., Kilic, A., Li, Z., Lymburner, L., McCorkel, J., Pahlevan, N., Scambos, T. A., Schaaf, C., Schott, J. R., Sheng, Y., Storey, J., Vermote, E., Vogelmann, J., White, J. C., Wynne, R. H., Zhu, Z. Current status of Landsat program, science, and applications. Remote Sensing of Environment. 2019, vol. 225, pp. 127-147. 2019/05/01/. ISSN 0034-4257
Zhang, N., Wang, M., Wang, N. Precision agriculture - A worldwide overview. Computers and Electronics in Agriculture. 2002, vol. 36, no. 2-3, pp. 113-132. ISSN 01681699
Zhu, Z., Wulder, M. A., Roy, D. P., Woodcock, C. E., Hansen, M. C., Radeloff, V. C., Healey, S. P., Schaaf, C., Hostert, P., Strobl, P., Pekel, J.-F., Lymburner, L., Pahlevan, N., Scambos, T. A. Benefits of the free and open Landsat data policy. Remote Sensing of Environment. 2019, vol. 224, pp. 382-385. 2019/04/01/. ISSN 0034-4257
