In der vorliegenden Arbeit wurden die Möglichkeiten und Grenzen der Schätzung von Komponentenkonzentrationen frischer Pflanzenmasse durch multivariate Analyseverfahren aus spektralen Messwerten dargestellt.
Nach der Einordnung der engeren Thematik in den weiteren, anwendungsbezogenen Rahmen der Arbeit (teilflächenspezifischer Pflanzenbau) (Kap. 1) erfolgte in Kap. 2 zunächst eine Einführung in die wichtigsten hier relevanten Zusammenhänge zwischen spektraler solarer Einstrahlung bzw. Reflexion und den zu untersuchenden Objekteigenschaften.
Die Ausführungen in Kap. 3 und Kap. 4 beschreiben die Lage der Untersuchungsgebiete sowie die Grundlagen der verwendeten Aufnahmegeräte. Kap. 5 beinhaltet die Beschreibung der Verfahren und Ergebnisse der Referenzdatenerhebung sowie die Erläuterungen zur Durchführung der spektroradiometrischen in situ Messungen und Labormessungen.
Das Untersuchungsgebiet "Imbshausen" (siehe Kap. 3.1) bildete die Grundlage für den Schwerpunkt der Datenerhebung. Hier wurden während phänologisch typischer Stadien der vegetativen Entwicklung von Winterweizenpflanzen zwei Messkampagnen zur Erfassung der spektroradiometrischen Messwertvariabilität auf Teilschlagebene durchgeführt. Insgesamt wurden auf drei Winterweizenschlägen 74 Bestandsausschnitte spektral vermessen, kartiert und laboranalytisch untersucht. Zusätzlich zu den in situ Aufnahmen der spektralen Reflexion erfolgte die spektroradiometrische Vermessung der getrockneten und homogenisierten Pflanzenproben unter Laborbedingungen. Jede einzelne Messung liefert einen Datensatz von 2152 spektralen Reflexionswerten, die wiederum in mehrere Spektralvariabeln transformiert wurden. Zur Validierung der Ergebnisse aus der Auswertung der nicht-abbildenden spektroradiometrischen Messungen mit dem ASD FieldSpec® Pro Daten konnten außerdem Daten zweier Feldkampagnen herangezogen werden, die begleitend zu Befliegungen mit einem abbildenden Spektrometer (HyMap®) im Untersuchungsgebiet "Neetzow" (siehe Kap.
3.2) durchgeführt wurden.
Die Vorhersage der Konzentrationen biochemischer Pflanzenbestandteile aus spektraler Information ist abhängig von einer Fülle von Einflussvariablen der Umgebung, des Aufnahmesystems und des Objekts. Für eine zuverlässige Ableitung von Pflanzenparametern aus spektralen Messwerten ist deshalb die Durchführung eines standardisierten Ablaufs der Prozessierung unbedingt notwendig. Zur Standardisierung der spektroradiometrischen Messungen wurden in Kap. 6 absolute (Kalibrierung) und relative (Normierung) Transformationsverfahren auf den Datensatz der Spektralmessungen angewendet. Die Kalibrierung beinhaltete, neben einer spektralen Entmischung zur Ausweisung eines reinen Vegetationsspektrums, die Korrektur der Topographie durch ein Sonnenstands- und Reliefmodell (Kap. 6.3.2). Im Rahmen der Normierung der Spektralsignaturen wurden verschiedene Parametrisierungsansätze durch Verhältnisbildung der Strahlung im Rot und im NIR-Bereich verwendet (Kap. 6.5). Der Schwerpunkt der Normierungsansätze lag in der Funktionsanalyse der Spektralsignaturen und der Bildung von Spektralvariablen unter Verwendung bekannter und neu entwickelter Transformationsmethoden sowohl im Frequenz- (BNC; SNC, RFV) als auch im Ortsbereich (ROZ) der Reflexionsfaktoren (vgl. Kap. 6.6).
Die Standardisierung der Messwerte führte zur Bildung eines Datensatzes von Spektralvariablen, der den Eingangsdatensatz für die in Kap. 7 durchgeführte multivariate Analyse zur Ableitung biochemischer Zustandsparameter bildete. Die Maßnahmen der Datenreduktion führten auf der Basis der kausalen Beziehungen zu den Zielgrößen und sonstiger qualitativer Eigenschaften (lokale Extrema, SNR, Variationskoeffizient) zur Ausweisung von drei breiten Spektrumsabschnitten für die einzelnen Spektralvariablen, die
für die Modellbildung zur Schätzung von Pflanzenkomponenten geeignet sind (siehe Tab. 24 in Kap. 7.2.1).
Die multivariate Analyse der spektroradiometrischen Messungen verfolgte die bereits einleitend (siehe hierzu Kap. 1.3) aufgeführten Ziele und führte entsprechend dieser Vorgaben zu folgenden Ergebnissen.
!
!
!
Die Auswahl eines Verfahrens zur Standardisierung hat einen entscheidenden Einfluss auf das Resultat der multivariaten Analyse. Während die kalibrierten Messwerte der spektralen Reflexion in den meisten Fällen nur unzureichende Einflussvariablen für die multiple Regression liefern, können durch die Maßnahmen der relativen Standardisierung z. T. hohe Vorhersagegenauigkeiten zur Schätzung von Komponentenkonzentrationen erzielt werden. Hierbei ist zu beachten, dass den einzelnen Verfahren unterschiedliche Transformationsansätze zugrunde liegen, und aus diesem Grunde bei der Auswahl einer Methode immer eine eindeutige Beschreibung und Dokumentation des Prozessierungsablaufs notwendig ist (z. B. Angabe der Referenzwellenlängen bei der SNC- oder BNC-Transformation). Die Hauptkomponentenregression (PCR) ist zwar geeignet, um die Multikollinearitäten der Messwerte (vgl. Kap. 7.3.1.1) einer Spektralvariablen (z. B. RFV) zu minimieren und damit den Eingangsdatensatz auf eine minimale Anzahl von Variablen zu reduzieren, gleichzeitig wird der potentielle Informationsgehalt der Eingangsvariablen aber auf wenige Hauptkomponenten komprimiert, was sich nachteilig auf die Extraktion der untergeordneten Funktionsmerkmale in der Spektralsignatur (Schwingungs- und Rotationsbanden) für die Nährelementanteile auswirkt.
Das beste Vorhersagemodell zur Schätzung der Nährelementkonzentrationen wird jeweils durch die Verwendung einer wellenlängenbasierten Spektralvariable (R', BNC, SNC, vgl.
Kap. 7.4) gebildet. Insgesamt zeigen die Ableitungsspektren (R' = 1. Ableitung) die beste Eignung zur Verwendung in einem Regressionsmodell (schrittweise multiple lineare Regression MLRS) zur Ableitung von Komponentenkonzentrationen. Die Normierung der Funktionsabschnitte auf die Steigung führt zur Standardisierung der lokalen Extrema der Signaturkurve und gleichzeitig zur Unterdrückung multiplikativer Effekte, die das Reflexionssignal beeinträchtigen. Gleichzeitig werden untergeordnete Spektralmerkmale von Komponentenkonzentrationen gegenüber breiten Absorptionsbanden (z. B. H2O) gleichgestellt.
Spektrale Vegetationsindizes können räumliche Variabilitäten von Bestandsfaktoren abbilden (siehe z. B. Abb. 60). Die durch die Indizes aufgezeigten Strukturen stehen aber in den meisten Fällen in keinem direkten Zusammenhang zu den gemessenen Nährelementkonzentrationen der Pflanzenmasse und können bestenfalls jeweils die Verteilung eines Bestandsmerkmales aufzeigen. Die betrachteten Vegetationsindizes und Parametrisierungsansätze (REI) werden deshalb nicht zur Schätzung von Komponentenkonzentrationen verwendet.
! Sowohl die aus den Labormessungen als auch die aus den spektroradiometrischen Feldmessungen hervorgegangenen Spektralvariablen liefern für die Schätzung der Hauptnährelementkonzentrationen im gesamten betrachteten Wellenlängenbereich (VNIR/SWIR) signifikante Regressionsmodelle. Die Variablen mit dem größten Anteil erklärter Varianz, die in die schrittweise Regression aufgenommen werden, zeigen aber in den meisten Fällen keine Übereinstimmungen zwischen den in situ und den Labormessungen. Das bedeutet, dass die Funktionsmerkmale der unter Laborbedingungen gemessenen Pflanzenproben nicht oder nur zum Teil in den Feldspektren sichtbar sind, da sie hier von primären Absorptionsvorgängen überlagert werden. Offen bleibt die Frage, ob durch die Vorverarbeitung der Pflanzenproben die Molekülstruktur einiger Nährstoffe
bzw. Ihrer Stoffwechselprodukte so weit geschädigt werden, dass sie in den Labormessungen nicht mehr in ihrer ursprünglichen Form hervortreten.
!
!
!
!
!
Die Spektralvariablen des VNIR-Bereichs (580 – 1050 nm) weisen insgesamt einen höheren potentiellen Informationsgehalt bezüglich der Ableitung von Bestandskomponenten auf, was sich in besseren Schätzergebnissen (r2) für die untersuchten Hauptnährelemente niederschlägt. Die zusätzliche Verwendung des SWIR-Bereichs kann in den meisten Fällen die Vorhersagegenauigkeit geringfügig verbessern, das Signifikanzniveau der Vorhersage bleibt hiervon aber unbeeinträchtigt. Die Nährelemente bzw. die durch sie gebildeten Molekülkomplexe zeichnen sich deutlicher in den breiten Absorptionsbanden des VNIR-Bereichs (bei 670 nm und bei 980 nm) bzw. in den diesen untergeordneten sekundären Signaturmerkmalen innerhalb eines Absorptionsbereichs ab, als in den schmalen Absorptionsbereichen niederer Ordnung, die v. a. im SWIR-2 auftreten. Neben den kausalen Beziehungen (Lage der Schwingungsabsorptionsbanden der Molekülbindungen im VNIR) ist für dieses Ergebnis die schlechtere spektrale Auflösung und v. a. die hohe Messunsicherheit (hohe SNR) des ASD FieldSpec® im SWIR verantwortlich. Das Ergebnis bestätigt die bereits zu Beginn der Arbeit (Kap. 4.1.3) aufgezeigten Probleme der Auswertung spektroradiometrischer Messungen v. a. im SWIR-2-Bereich.
Der Stickstoffgehalt sowie die Konzentration der Hauptnährelemente P und K können durch die Regressionsanalyse mit Hilfe einer wellenlängenbasierten Spektralvariable (s.o.) gut beschrieben werden (Signifikanzniveau 99 %), wenn maximal fünf Einflussvariablen (Wellenlängen) zur Erklärung der Varianz im Regressionsmodell zugelassen wurden. Die signifikante Schätzung weiterer Nährstoffkonzentrationen aus dem vorhandenen Datensatz ist nicht möglich.
Die Resultate der Regressionsanalyse (Auswahl der Wellenlängenkanäle) für einen bestimmten Zeitpunkt während der vegetativen Phase von Winterweizen sind nicht direkt auf Vorhersagemodellierungen zu anderen phänologischen Stadien während der Wachstumsphase übertragbar (Kreuzvalidierung, vgl. Kap. 7.4.6).
Die spektrale Bandbreite eines Sensors ist ab einem Schwellenwert, der bei ca. 10 nm festgelegt werden kann (entspricht der Auflösung bestehender Systeme, wie z. B.
Hyperion, AVIRIS), kein limitierender Faktor bei der Auswertung von Spektralsignaturen für Vegetationsaufnahmen. Die Simulation verschiedener Sensoren durch Reduktion der Wellenlängenkanäle auf die jeweilige spektrale Bandbreite (vgl. Kap. 7.2.2 und Kap.
7.4.4) hatte keinen Einfluss auf die Resultate der Schätzmodelle zur Vorhersage von Komponentenkonzentrationen (cmeas). Für die spektrale Aufnahme von Vegetationsbeständen ist nicht die Anzahl sondern vielmehr die Lage und spektrale Bandbreite der Wellenlängenkanäle sowie das Signal-Rausch-Verhältnis (SNR) des Sensors verantwortlich. Für absolute Empfehlungen über die Lage der Zentrumswellenlängen für zukünftige Spektralsensoren sind vertiefende methodische Untersuchungen notwendig. Hierzu ist der Einsatz von Sensoren mit einer höheren Stabilität im SWIR-2 erforderlich. Das verwendete ASD FieldSpec® Pro JR kann den für eine solche Untersuchung erforderlichen Ansprüchen nur bedingt (im VNIR bis SWIR-1) genügen.
Die schrittweise multiple lineare Regression (MLRS) hat sich als solides Verfahren zur Schätzung von Bestandsparametern aus Spektraldaten erwiesen, da es als nicht-deterministisches Verfahren die Variabilität des Eingangsdatensatzes unabhängig von Zielvorgaben analysiert. Hierdurch ist gewährleistet, dass die Ergebnisse der Regressionsanalyse eindeutig nachvollziehbar und somit leicht interpretierbar sind. Die Eingangsbeschränkungen für die Spektralvariablen (keine Kollinearitäten) konnten durch
geeignete Maßnahmen der Datentransformation (R', BNC, SNC) erfüllt werden. Der Tauglichkeit des Verfahrens stehen die Unsicherheiten der Einflussvariablen gegenüber.
Die durch die MLRS ausgewählten Variablen (Wellenlängenkanäle) für die Vorhersage von Komponentenkonzentrationen sind nicht konstant und somit die Ergebnisse der Regressionsmodelle nicht übertragbar. Insgesamt liegen die detektierten Wellenlängen aber in den meisten Fällen in der Umgebung eines nachgewiesenen Absorptionsbereichs für ein Element bzw. dessen Verbindungen (vgl. Tab. 37 und Tab. 40). Der Einschluss von Wellenlängenkanälen in ein Regressionsmodell scheint nicht auf deren Kausalbeziehung zur untersuchten biochemischen Komponente zu beruhen.
Abschließend wurden die Ergebnisse der Modellierung von Zustandsgrößen aus den Spektraldaten verwendet, um einen Ausblick auf die Möglichkeiten der Einbeziehung spektraler Information zur Kartierung aktueller Standort- und Bestandsdaten für eine teilflächenspezifische Maßnahmenapplikation im modernen Ackerbau zu geben (Kap. 8).
Als übergreifendes Fazit der durchgeführten Untersuchungen und hier zusammengefassten Ergebnisse zur Bewertung des Informationsgehalts spektraler in situ Messungen von Pflanzenbeständen lässt sich feststellen, dass die Schätzung von Komponentenkonzentrationen der Hauptnährelemente von Winterweizenpflanzen mit Hilfe spektroradiometrischer Messungen möglich ist. Hierbei sind aber, wie oben erläutert, eine Reihe einschränkender Aspekte zu berücksichtigen.
Raumbezogene Geodaten können einen entscheidenden Beitrag zur optimierten und objektiven Datenerhebung für die Darstellung von Standortvariabilitäten im Rahmen des teilflächenspezifischen Ackerbaus (precison farming) leisten. Hierbei nehmen Fernerkundungsdaten in Abhängigkeit von ihrer verfügbaren zeitlichen, räumlichen und spektralen Auflösung eine zunehmend bedeutendere Stellung bei der Kartierung räumlicher Inhomogenitäten sowohl konstanter Standortfaktoren (Bodenart, Feuchteregime) als auch immobiler Nährstoffkonzentrationen in der Pflanze ein. Darüber hinaus bieten spektral und geometrisch hochauflösende Sensoren ein hohes Potenzial zur Ableitung mobiler biochemischer Konzentrationen von Winterweizenbeständen, insbesondere zur Vorhersage des Stickstoffgehalts von Pflanzen während der vegetativen Phase.
Die z. T. enttäuschenden Ergebnisse der multivariaten Analyse im Rahmen dieser Arbeit sollen nicht das hohe Potenzial spektroradiometrischer Aufnahmen von Pflanzenbeständen zur zeitnahen Zustandsbeschreibung von Kulturpflanzenbeständen überschatten, sondern vielmehr den hohen zukünftigen Forschungsbedarf zur Analyse der komplexen Zusammenhänge zwischen elektromagnetischer Strahlung und der quantitativen Beschreibung von Pflanzenparametern unterstreichen.
Literaturverzeichnis
AL-ABBAS, A. H., BAR, R., HAL, J. D., CRANE, F. L. & M. F. BAUMGARDNER (1974): Spectra of normal and nutrient deficient maize leaves. In: Agronomy Journal, Vol. 66, S.16-20 AMBERGER, A. (1996): Pflanzenernährung. 4. Aufl., Stuttgart.
ANALYTICAL SPECTRAL DEVICES INC. (ASD) (1999): Technical Guide. 3. Aufl., Boulder.
ASCOUGH, J. C., HOAG, D. L., FRASIER, W. M. & G. S. MCMASTER (1999): Computer use in agriculture: an analysis of Great Plains producers. In: Computers and Electronics in Agriculture, Vol. 23, S. 189-204
AUERNHAMMER, H. (2001): Precision farming - the environmental challenge. In: Computers and Electronics in Agriculture, Vol. 30, S. 31-43
AUFHAMMER, W. (1998): Getreide und andere Körnerfruchtarten. Stuttgart.
BACH, H. & W. MAUSER (1993): Extraction of agricultural parameters from Imaging-Spectrometry data and simulated MERIS data through Red Edge Analysis. In:
Guyenne, T. D. [Hrsg.]: European Imaging Spectroscopy Aircraft Campaign.
Proceedings of an ESA & JRC-IRSA Workshop / European Space Agency, ESA SP-360, Noordwijk, S. 81-92
BACKHAUS, K., ERICHSON, B., PLINKE, W. & R. WEIBER (2000): Multivariate Analysemethoden. 9. Aufl., Berlin und Heidelberg.
BAHRENBERG, G, GIESE, E. & J. NIPPER (1992): Statistische Methoden in der Geographie.
Band 2 - Multivariate Statistik. Stuttgart.
BARET, F. & S. JAQUEMOUD (1994): Modeling canopy spectral properties to retrieve biophysical and biochemical characteristics. In: Hill, J. & J. Mégier [Hrsg.] (1994):
Imaging spectrometry - a tool for environmental observations. Euro Courses, Remote Sensing, Vol. 4, S. 145-167
BARET, F. & T. FOURTY (1997): The limits of a robust estimation of canopy biochemistry. In:
G. Guyot & T. Phulpin (eds.): Physical Measurements and Signatures in Remote Sensing (International Symposium, Courchevel, France, 7-11 April 1997), Vol. 2, S.
413-420
BARTON, F. E., HIMMELSBACH, D. S., DUCKWORTH, J. H. & M. J. SMITH (1992): Two-dimensional vibration spectroscopy: correlation of mid- and near-infraredregions. In:
Applied Spectroscopy, Vol. 46, S. 420-429
BATESON, A. & B. CURTISS (1996): A method fo manual endmember selection and spectral unmixing. In: Remote Sens. Environ., Vol. 55, S. 229-243
BATTE, M. T. (2000): Factors influencing the profitability of precision farming. In: Journal of soil and water conservation, Vol. 55, Nr. 1, S. 12-18
BAUER, M. E., DAUGHTRY, C. S., BIEHL, L. L., KANEMASU, E. T. & F. G. HALL (1986): Field spectroscopy of agricultural crops. In: IEEE Trans. Geosc. & Electronics, Vol. 24, S.
65-75
BAUMGARDNER, M. F., SILVA, L. F., BIEHL, L. L. & E. R. STONER (1985): Reflectance properties of soils. In: Advance in Agronomy, Vol. 38, S. 1-38
BAUSCH, W. C. & H. R. DUKE (1996): Remote sensing of plant nitrogen status in corn. In:
Transactions of the ASAE, Vol. 39, Nr. 5, S. 1869-1875
BAUSCH, W. C. & K. DIKER (2001): Innovative remote sensing techniques to increase nitrogen use efficiency of corn. In: Communications in soil science & plant analysis, Vol. 32, Nr. 7&8, S. 1371-1390
BEN-DOR, E., IRONS, J. R. & EPEMA, G. F. (1999): Soil Reflectance. In: Rencz, A. N. [Hrsg.]:
Remote Sensing for the Earth Sciences: Manual of Remote Sensing Bd. 3, 3. Aufl., S.
111-188
BERGMANN, W. [HRSG.] (1993): Ernährungsstörungen bei Kulturpflanzen - Entstehung, visuelle und analytische Diagnose. 3. Aufl., Jena u.a.
BIRTH, G. S. & G. MCVEY (1968): Measuring the color of growing turf wih a reflectance spectrophotometer. In: Agronomy Journal, Vol. 60, S. 640-643
BLACKBURN, G. A. (1998a): Quantifying chlorophylls and caroteniods at leaf and canopy scales: An evaluation of some hyperspectral approaches. In: Remote Sensing of Environment, Vol. 66, S. 273-285
BLACKBURN, G. A. (1998b): Spectral indices for estimating photosynthetic pigment concentrations: a test using senescent tree leaves. In: Int. J. Remote Sensing, Vol. 19, Nr. 4, S. 657-675
BLACKMER, T. M., SCHEPERS, J. S., VARVEL, G. E. & E. A. WALTER-SHEA (1996): Nitrogen deficiency detection using reflected shortwave radiation from irrigated corn canopies.
In: Agronomy Journal, Vol. 88, Nr. 1, S. 1-5
BOLSTER, K.L., MARTIN M.E. & J. D. ABER (1996): Determination of carbon fraction and nitrogen concentration in tree foliage by near infrared reflectance: A comparison of statistical methods. In: Canadian journal of forest research, Vol. 26, Nr. 4, S. 590-600 BONHAM-CARTER, G. F. (1988): Numerical procedures and computer program for fitting an
inverted gaussian model to vegetation reflectance data. In: Computers & Geosciences, Vol. 14, Nr. 3, S. 339-356
BRISCO, B., BROWN, R. J., HIROSE, T., MCNAIRN, H. & K. STAENZ (1998): Precision agriculture and the role of remote sensing: a review. In: Canadian Journal of Remote Sensing, Vol. 24, Nr. 3, S. 315-327
BUNDESMINISTERIUM FÜR VERBRAUCHERSCHUTZ, ERNÄHRUNG UND LANDWIRTSCHAFT
(BMVEL) (2001): Statistisches Jahrbuch über Ernährung, Landwirtschaft und Forsten.
BUNDESMINISTERIUM FÜR VERBRAUCHERSCHUTZ, ERNÄHRUNG UND LANDWIRTSCHAFT
(BMVEL) (2002): Ernährungs- und agrarpolitischer Bericht der Bundesregierung.
CARD, D. H.; PETERSON, D. L.; MATSON, P. A.; ABER, J. D. (1988): Prediction of leaf chemistry by the use of visible and near infrared reflectance spectroscopy. In: Remote Sensing of Environment, Vol. 26, S. 123-147
CHAPPELLE, E. W., MOON, S. K. & S. K. MCMURTREY (1992): Ratio analysis of reflectance spectra (RARS): an algorithm for the remote estimation fo the concentrations oc Chlorophyll a, Chlorophyll b and Carotenoids in soybean leaves. In: Remote Sens.
Environ., Vol. 39, S. 239-247
CHEN, F. C., KISSEL, D. E., WEST, L. T. & W.ADKINS (2000): Field-scale mapping of surface soil organic carbon using remotely sensed imagery. In: Soil Science Society of America Journal, Vol. 64, S. 746-753
CIHLAR, J., M. DOBSON, T. SCHMUGGE, P. HOOGEBOOM, A. JANSE, F. BARET, G. GUYOT, LE
TOAN, T. &P. PAMPALONI (1987): Procedures for the description of agricultural crops
and soils in optical and microwave remote sensing studies.. In: Int J. Remote Sensing, Vol. 8, Nr. 3, S. 427 - 439
CLARK, R. N. & T. L. ROUSH (1984): Reflectance spectroscopy: Quantitative analysis techniques for remote sensing applications. In: Journal of Geophysical Research, Vol.
89, Nr. B7, S. 6329-6340
CLARK, R. N. (1999): Spectroscopy of rocks and minerals and principles of spectroscopy. In:
Rencz, A. N. [Hrsg.]: Remote Sensing for the Earth Sciences: Manual of Remote Sensing Bd. 3, 3. Aufl., S. 3-58
CLARK, R. N., KING, T. V., KLEWJA, M., SWAYZE, G. A. & N. VERGO (1990): High spectral resolution reflectance spectrsocopy of minerals. In: Journal of Geophysical Research, Vol. 95, Nr. B8, S. 12653-12680
CLEVERS, J. (1999): The use of imaging spectrometry for agricultural applications. In: ISPRS Journal of Photogrammetry and Remote Sensing, Vol. 54, S. 299-304
CLEVERS, J. (2001): MERIS and the Red Edge Index. In: Bakker, W. et al. [Hrsg.]: 2nd EARSeL Workshop on Imaging Spectroscopy, 7.-11. July 2000, Enschede
CLEVERS, J. & C. BÜKER (1991): Feasibility of the red edge index for the detection of nitrogen deficiency. In: Proc. 5th Int. Coll. Physical Measurements and Signatures in Remote Sensing, Courchevel, France, ESA SP-319, S. 165-168
CLEVERS, J. P. (1994): Imaging spectrometry in agriculture - plant vitality and yield indicators. In: Hill, J. & J. Mégier [Hrsg.] (1994): Imaging spectrometry - a tool for environmental observations. Euro Courses, Remote Sensing, Vol. 4, S. 193-219
COCKS, T., R. JENSSEN, A. STEWART, I. WILSON & T. SHIELDS (1998): The Hymap airborne hyperspectral sensor: the system calibration and performance. In: Shaepman, M., D.
Schläpfer & K. Itten [Hrsg.]: 1st EARSeL Workshop on Imaging Spectroscopy, RSL Univ. Zürich, Zwitzerland 6.-8. Oct. 1998, S. 37-42
CURRAN, P.J. (1988): The semivariogram in remote sensing: an introduction. In: Remote Sensing of Environment, Vol. 24, S. 493-507
CURRAN, P. J. (1989): Remote sensing of foliar chemistry. In: Remote Sensing of Environment, Vol. 30, S. 271-278
CURRAN, P. J., DUNGAN, J. L. & D. L. PETERSON (2001): Estimating the foliar biochemical concentration of leaves with reflectance spectrometry - Testing the Kokaly and Clark methodologies. In: Remote Sensing of Environment, Vol. 76, S. 349-359
DAUGHTRY, C. S. T., WALTHALL, C. L. KIM, M. S., BROWN DE COLSTOUN, E. & J. E.
MCMURTREY (2000): Estimating Corn Leaf Chlorophyll Concentration from Leaf and Canopy Reflectance. In: Remote Sensing of Environment, Nr. 74, S. 229-239
DAWSON, T. P. & P. J. CURRAN (1998): A new technique for interpolating the reflectance red edge position. In: Int. J. Remote Sensing, Vol. 19, S. 2133-2139
DAWSON, T. P., CURRAN, P. J. & S. E. PLUMMER (1998): LIBERTY - Modeling the effects of leaf biochemical concentration on reflectance spectra. In: Remote Sens. Environ., Vol.
65, S. 50-60
DEERING, D. W., ROUSE, J. W., HAAS, R. H. & J. A. SCHELL (1975): Measuring forage production of grazing units from Landsat MSS data. In: Proc. 10th Int. Symp. on remote Sensing fo Environment, Ann Arbor: ERIM, Vol. 2, S. 1169-1178
DEMETRIADES-SHAH, T.-H., STEVEN, M. D. & J. A. CLARK (1990): High resolution derivative spectra in remote sensing. In: Remote Sens. Environ., Vol. 33, S. 55-64
DEUTSCHER WETTERDIENST (2002): Klimainformationssystem des DWD. URL:
http://www.dwd.de/research/klis/ (10.03.2002)
DOBERS, E.S., B. MEYER & R. ROTH (2001): Comparison of Wheat Yields and Soil Apparent Electric Conductivity of Sandloess-Soils in Brandenburg/Germany. In: European Journal of Agronomy
DUFFIE (1991): Solar engineering of thermal processes. 2. Aufl. New York u.a..
DUGGIN, M. J. (1980): The field measurement of reflectance factors. In: Phot. Eng. & Rem.
Sens., Vol. 46, Nr. 5, S. 643-647
EHLERT, D. & DOMSCH, H. (2001): Korrelationen zwischen Boden- und Pflanzenparametern.
In: Landtechnik, Vol. 56, Nr. 3, S. 134-135
ELVIDGE, C. D. & Z. CHEN (1995): Comparison of Broad-Band and Narrow-Band Red and Near-Infrared Vegetation Indices. In: International Journal of Remote Sensing, Vol.
54, Nr. 1, S. 38-48
ENGEL, R.E., LONG, D. S., CARLSON, G. R. & C. MEIER (1999): Method for Precision Nitrogen Management in Spring Wheat: 1 Fundamental Relationships. In: Precision Agriculture, Vol. 1, S. 327-338
ERASMI, S. & M. KAPPAS (2001): Spectral signatures of cultivated crops for GIS-supported applications in precion farming. In: Proc. 21st EARSeL-Symposium, 14-16 May 2001, Paris, France, S. 209-214
ERB, W. [Hrsg.] (1989): Leitfaden der Spektroradiometrie. Berlin u.a..
ESCADAFAL, R. (1994): Soil spectral properties and their relationships with environmental parameters - examples from arid regions. In: Hill, J. & J. Mégier [Hrsg.] (1994):
Imaging spectrometry - a tool for environmental observations. Euro Courses, Remote Sensing, Vol. 4, S. 71-87
FOURTY, F., F. BARET, S. JACQUEMOUD, G. SCHMUCK, J. VERDEBOUT (1996): Leaf optical properties with expicit description of ist biochemical composition: direct and inverse problems. In: Remote Sensing of Environment, Vol. 56, Nr. 2, S. 104-117
FRAHM, B. [HRSG.] (1993): Der Landwirt 1: Pflanzenbau, Grünland, Landtechnik. Stuttgart GASTELLU-ETCHEGORRY, J. P., F. ZAGOLSKI, E. MOUGIN, G. MARTY & G. GIORDANO (1995):
An assessment of canopy chemistry with AVIRIS - a case study in the Landes Forest, South-west France. In: Int. J. Remote Sensing, Vol. 16, Nr. 3, S. 487-501
GATES, D. M. (1970): Physical and physiological properties of plants. In: National Academy of Sciences [Hrsg.]: Remote sensing with special references to agriculture and forestry, S. 224-252
GEISLER, G. (1988): Pflanzenbau: ein Lehrbuch. 2. Aufl. Berlin u.a..
GOETZ, A. F. H. (1992): Princliples of narrow band spectrometry in the visible and IR:
instruments and data analysis. In: Toselli, F. & J. Bodechtel [Hrsg.] (1992): Imaging spectrometry - fundamentals and prospective applications. Euro Courses, Remote Sensing, Vol. 2, S. 21-32
GONG, P., PU, R. & R. C. HEALD (2002): Analysis of in situ hyperspectral data for nutrient estimation of giant sequoia. In: Int. J. Remote Sensing, Vol. 23, Nr. 9, S. 1827-1850
GRIEPENTROG, H.-W. (1998): Fehlerquellen der Ertragsermittlung beim Mähdrusch. In:
Landtechnik, Vol. 53, S. 333-334
GROFFMAN, P.M. (1997): Ecological constraints on the ability of precision agriculture to improve the environmental performance of agricultural production systems. In: Lake, J.V., G.R. Bock & J.A. Goode (eds.):Precision agriculture: spatial and temoral variability of environmental quality, S. 52-67
GROSSMAN, Y. L., S. L. USTIN, S. JACQUEMOUD, E. W. SANDERSON, G. SCHMUCK & J.
VERDEBOUT (1996): Critique of stepwise multiple linear regression for the extraction of leaf biochemistry information from leaf reflectance data. In: Remote Sens.
Environ., Vol. 56, S. 182-193
GUYOT, G. & F. BARET (1988): Utilisation de la haute resolution spectrale pour suivre l'etat des couverts vegetaux. In: Proc. 4th Int. Coll. Spectral Signatures of Objects in Remote Sensing, Aussois, France, ESA SP-287, S. 279-286
HACKBARTH, S. & J. LAMP (2000): Computergestützte Erstellung von Karten für die Grunddüngung im "Precision Farming". In: Wasser & Boden, Vol. 52, Nr. 6, S. 4-6
HACKBARTH, S. & J. LAMP (2000): Computergestützte Erstellung von Karten für die Grunddüngung im "Precision Farming". In: Wasser & Boden, Vol. 52, Nr. 6, S. 4-6