Dorijan Radocˇaj(1), and Mateo Gašparovic (2)

(1) Faculté des sciences agrobiotechniques Osijek, Université Josip Juraj Strossmayer d’Osijek, Vladimira Preloga 1, 31000 Osijek, Croatie; mjurisic@fazos.hr 

(2) Faculté de géodésie, Université de Zagreb, Kacˇic´eva 26, 10000 Zagreb, Croatie ; mgasparovic@geof.unizg.hr

Introduction

Le besoin croissant de production alimentaire dû à la croissance démographique est la cause de l’intensification continue de la production agricole, qui conduit à des rendements plus élevés des cultures agricoles sur les terres agricoles existantes [1]. L’agriculture intensive moderne fait de la fertilisation l’un des principaux moyens d’atteindre cet objectif; cependant, les objectifs à court terme de la gestion des terres agricoles pourraient sérieusement affecter la durabilité à long terme de la production alimentaire [2]. Plusieurs auteurs ont souligné que les agriculteurs ne devraient pas seulement considérer la fertilisation dans le but d’augmenter leurs profits économiques, mais aussi en relation avec le maintien à long terme de la composition biochimique du sol et de ses effets sur l’écosystème [3,4]. Une mauvaise gestion et une mauvaise compréhension de la fertilisation elle-même ont un impact négatif important sur l’environnement, l’atmosphère et les ressources naturelles, en plus de basée sur les valeurs moyennes des apports d’engrais au sein des terres agricoles en tant qu’unité homogène devient obsolète. Au lieu de cela, l’agriculture de précision considère la parcelle agricole comme un système hétérogène, souvent très variable dans ses unités spatiales locales [8]. Une telle approche vise à équilibrer les éléments nutritifs du sol sur l’ensemble de la parcelle agricole, afin que toutes ses parties permettent un développement optimal des cultures [4]. La fertilisation des cultures agricoles est régulièrement effectuée en plusieurs itérations, suivant le stade de croissance actuel des cultures et la mise en œuvre des opérations agrotechniques [9]. La fertilisation de base implique l’application d’engrais minéraux et organiques avant le semis, fournissant une quantité suffisante d’éléments nutritifs disponibles dans le sol pour développer le système racinaire de la plante. La fertilisation complémentaire permet de corriger les doses précédemment appliquées en fertilisation de base, en fonction du stade de croissance de la culture.
Les données spatiales continues sont cruciales pour établir des cartes de prescription fiables en fertilisation de précision. Cette propriété fait principalement référence à la fertilisation de base, où les zones de prescription spécifiques au site constituent la base d’une application pratique basée sur un échantillonnage discret du sol [10]. La fertilisation supplémentaire repose plus fortement sur l’évaluation indirecte des nutriments dans les cultures basée sur la télédétection, l’échantillonnage du sol étant utilisé comme source de données spatiales secondaire. La plupart des données collectées basées sur l’échantillonnage du sol sont dans un format vectoriel ponctuel. Pour déterminer les zones continues, il est nécessaire d’estimer les valeurs dans les zones non échantillonnées à l’aide de méthodes de prédiction spatiale [11]. Un postulat conventionnel est que l’interpolation est l’un des éléments clés du traitement et de l’analyse des données dans l’environnement du système d’information géographique (SIG) et fait l’objet de l’étude des statistiques et de la géostatistique [12]. L’interpolation est connue comme le processus de prédiction déterministe ou géostatistique des valeurs des zones non échantillonnées, basée sur des échantillons de sol géoréférencés pour calculer une surface continue. Papadopoulus et al. [13] ont déclaré que l’élément clé de la culture de cultures spécifiques à un site est les technologies de géoinformation, tandis que la gestion des terres agricoles dépend des ressources écologiques et naturelles qui ont une composante spatiale. Les technologies de géoinformation deviennent un facteur clé dans la fertilisation de précision, comme base pour intégrer des données spatiales discrètes d’échantillonnage de sol et leur prédiction spatiale [4]. En plus de l’application directe des méthodes d’interpolation spatiale dans la fertilisation de précision, il existe une application réussie à long terme dans les activités liées au sol.
Les données et les méthodes de télédétection ont été mises en œuvre avec succès dans diverses applications au sein de l’agriculture de précision [14–17]. De nombreux auteurs ont également utilisé des données satellitaires ouvertes et commerciales pour la surveillance en temps réel des cultures agricoles [16,18,19]. Les satellites d’observation de la Terre (par exemple, PlanetScope) permettent la surveillance quotidienne de l’état des cultures agricoles dans de vastes zones sans aller sur le terrain [20,21] et de nombreux auteurs accordent une grande importance au développement de méthodes de télédétection entièrement automatiques qui conduisent à une automatisation complète de le processus de traitement des images satellites [22,23]. De cette façon, les utilisateurs finaux sans connaissances avancées en télédétection peuvent obtenir un produit final tel qu’une carte des mauvaises herbes ou une carte de l’humidité du sol automatiquement, presque en temps réel. Les techniques de télédétection basées sur des algorithmes d’apprentissage automatique peuvent être utilisées pour prédire et évaluer les paramètres physiques et chimiques du sol, ce qui est extrêmement important pour le processus de fertilisation dans l’agriculture de précision [23-25], mais bien que les données et les méthodes de télédétection soient largement utilisé dans l’agriculture aujourd’hui, il est nécessaire de souligner et de préciser précisément l’importance de l’applicabilité de la télédétection dans le processus de fertilisation. Étant donné que les recommandations de fertilisation inadéquates sont directement affectées par le choix inadéquat d’une méthode de prédiction spatiale et de données d’entrée [26], au cours des dernières années, il y a eu un glissement notable des méthodes d’interpolation conventionnelles vers l’approche moderne basée sur l’apprentissage automatique (Figure 1). Le nombre d’articles scientifiques indexés dans la Web of Science Core Collection (WoSCC) sur le thème du « sol » associé à la « fertilisation » ou « nutriment » et à une méthode de prédiction particulière a rapidement augmenté au cours de cette période, et les données de télédétection ont été plus important que jamais dans la prédiction des sols et les études de fertilisation de précision. Leur importance connue depuis longtemps en tant que source de données spatiales abondante a été encore amplifiée par l’application de méthodes d’apprentissage automatique pour prédire les paramètres du sol, étant l’une des principales sources de covariables dans ces études.

Figure 1. L’importance de la télédétection et les méthodes d’interpolation spatiale les plus fréquemment utilisées dans la fertilisation de précision selon le nombre d’articles scientifiques indexés dans la base de données Web of Science Core Collection.

L’objectif principal de cette étude était d’étudier la capacité d’une approche d’apprentissage automatique moderne soutenue par la télédétection pour la prédiction du sol dans la fertilisation de précision. Leur précision de prédiction relative par rapport aux méthodes d’interpolation conventionnelles a été étudiée, ainsi que les conditions dans lesquelles le rapport coût-bénéfice et l’efficacité temporelle de l’échantillonnage du sol et de la création d’une carte de prescription pour la fertilisation sont les plus affectés. Conformément au besoin croissant et à l’application de méthodes de prédiction spatiale dans la fertilisation de précision, les objectifs spécifiques de cet article étaient d’analyser (1) les composantes de l’intégration des méthodes de prédiction spatiale dans le processus de détermination des taux de prescription dans la fertilisation de précision ; et (2) l’influence des données et des méthodes modernes de télédétection et leurs avantages selon l’approche conventionnelle de la fertilisation de précision.

1. Intégration des technologies de géoinformation avec les principes agronomiques de
Fertilisation de précision

La fertilisation dans l’agriculture de précision est une approche intrinsèquement multidisciplinaire, intégrant la composante agronomique de l’échantillonnage du sol et de l’analyse en laboratoire avec la composante spatiale de la prédiction des paramètres du sol dans un environnement SIG (Figure 2). Dans un premier temps, l’échantillonnage du sol vise à prélever des échantillons représentatifs qui seront utilisés par des analyses chimiques en laboratoire pour déterminer l’état des éléments nutritifs du sol. Ceux-ci sont généralement constitués de microéléments et de macroéléments et d’autres propriétés du sol, telles que le pH du sol, la matière organique et la teneur en humus. En plus de l’analyse en laboratoire, il est nécessaire d’effectuer le géoréférencement des échantillons de sol en utilisant le positionnement du système mondial de navigation par satellite (GNSS) pour un traitement ultérieur et l’interprétation des données pour chaque échantillon [27]. De Zorzi et al. [28] ont déclaré que la distribution spatiale de l’échantillonnage du sol dépend de la superficie et des propriétés géométriques de la parcelle agricole. L’objectif de l’échantillonnage du sol est de collecter le plus petit nombre possible d’échantillons représentatifs qui ne nuiront pas à la précision de l’interpolation spatiale [29]. A cet effet, il est courant de procéder à un zonage préalable des parcelles agricoles avant prélèvement, principalement par balayage de la conductivité électrique du sol. Lors de l’échantillonnage, il est important de choisir la profondeur d’échantillonnage du sol, qui dépend du type de culture et de son système racinaire, généralement à deux profondeurs d’échantillonnage, 0–30 cm et 30–60 cm.

Figure 2. L’intégration des composantes agronomiques et spatiales dans les trois grandes étapes de la fertilisation en agriculture de précision.

En appliquant des méthodes de prédiction du sol, les données de l’analyse chimique du sol, les observations GNSS et d’autres données pertinentes sont combinées en une seule unité modulaire, représentant une distribution spatiale de l’état actuel des éléments nutritifs disponibles dans le sol [30]. Une telle approche permet d’observer la variabilité locale et de créer des cartes de prescription. Pour la prédiction des propriétés du sol à des endroits inconnus, deux approches principales sont utilisées : une approche conventionnelle (basée sur des méthodes d’interpolation géostatistique et déterministe) et une approche moderne (basée sur l’apprentissage automatique) (Figure 3). Après avoir calculé l’état actuel d’un certain élément nutritif du sol, les zones de valeurs similaires sont classées en plusieurs zones, dans le but d’une application efficace d’engrais à l’aide de machines agricoles qui prennent en charge la fertilisation de précision [10]. Sur la base des zones actuelles d’état des éléments nutritifs dans le sol, les zones d’application pour la fertilisation sont calculées en soustrayant les valeurs existantes de celles prescrites par l’expert agricole [4]. Les cartes de prescription sont utilisées pour gérer les machines agricoles en tant que produit final de l’ensemble du processus de traitement informatique. En exportant les cartes de prescription zonées au format de données vectorielles, la quantité d’engrais requise pour les zones individuelles est définie. Parmi les procédures incluses, la sélection des méthodes de prédiction et de leurs paramètres est un processus dans lequel l’utilisateur a l’impact subjectif le plus élevé et détermine principalement la précision et la fiabilité de la carte de prescription finale [24]. Par conséquent, les deux approches de prédiction des propriétés du sol dans la fertilisation de précision sont analysées en profondeur dans les sections suivantes.

Figure 3. Principales étapes de la prédiction des propriétés du sol à l’aide d’une approche conventionnelle et moderne.

2.Approche conventionnelle de la fertilisation dans l’agriculture de précision

L’interpolation spatiale pour créer une carte de prescription en fertilisation de précision est classiquement effectuée en 2D et basée sur la prédiction en fonction des valeurs des échantillons voisins et de leur distance relative [31]. En raison du grand nombre de méthodes, il est courant de diviser les méthodes d’interpolation spatiale en deux catégories de base, à savoir les méthodes géostatistiques et déterministes. En plus de l’interpolation, l’extrapolation est également utilisée pour les formes irrégulières des parcelles agricoles afin de prédire les variables dans des emplacements en dehors de la plage de valeurs couvertes par l’échantillonnage du sol. Toutes les méthodes d’interpolation spatiale peuvent être représentées par la moyenne pondérée des données échantillonnées selon la première loi géographique de Tobler, selon laquelle tout est lié à tout le reste, mais les points qui sont plus proches les uns des autres sont fortement liés [32]. En général, les méthodes d’interpolation spatiale partagent la même équation générale (1) :
n
Z(x 0) =∑i=1 λi Zxi, (1)
où Z(x 0) représente la valeur prédite à l’emplacement, x0, n représente un nombre total d’échantillons de sol, Zxi est la valeur échantillonnée à l’emplacement i, tandis que λi est son poids respectif. Afin de sélectionner les méthodes d’interpolation les plus fréquemment utilisées, l’analyse utilisant le nombre annuel d’études scientifiques publiées a été effectuée parmi le grand nombre de méthodes disponibles. D’après le nombre d’articles scientifiques indexés dans la base de données Web of Science Core Collection entre 2010 et 2020, l’application de méthodes d’interpolation spatiale, y compris conventionnelles, ne cesse de croître (Figure 4). En recherchant des articles contenant les mots-clés thématiques « fertilisation » et « agronomie » ou « agriculture » en combinaison avec le nom de la méthode d’interpolation spatiale, le krigeage, suivi de l’inverse de la distance pondérée (IDW) et de la spline, les méthodes déterministes étaient les plus fréquemment utilisé. La plupart des méthodes analysées ont mis en œuvre deux ou plusieurs méthodes d’interpolation spatiale, ce qui a entraîné une somme des composants individuels plus élevée que le nombre total d’articles scientifiques.

Figure 4. Les méthodes d’interpolation conventionnelles les plus utilisées selon le nombre d’articles scientifiques indexés dans la Web of Science Core Collection.

Les études récentes qui ont utilisé des méthodes d’interpolation conventionnelles pour la prédiction du sol dans la fertilisation, triées par la superficie des sites d’échantillonnage, sont présentées dans le tableau 1. La précision de l’interpolation était généralement plus faible dans les zones d’étude au niveau micro, qui sont des cas très courants pour la précision. fécondation [33,34]. Les méthodes d’interpolation conventionnelles étaient particulièrement incapables de prédire et de détecter avec précision les variabilités sur le terrain dans les cas d’autocorrélation spatiale plus faible, qui sont à la base de la technologie à taux variable dans l’agriculture de précision [7]. Selon Hengl [35], la résolution spatiale plus élevée nécessaire pour les petites et moyennement grandes parcelles agricoles nécessite un échantillonnage de sol plus dense dans une approche conventionnelle. Il s’agit d’une procédure coûteuse, coûteuse en main-d’œuvre et en temps, qui ne tient pas compte de l’un des objectifs de l’agriculture de précision. De plus, Radocˇaj et al. [29] ont prouvé que la densité d’échantillonnage du sol était un indicateur principal de la précision de la prédiction du sol en utilisant des méthodes d’interpolation conventionnelles. Miras-Avalos et al. [33] ont observé une précision de prédiction proportionnellement plus faible du krigeage avec une plus grande distance de l’échantillon de sol le plus proche, entraînant un lissage irréaliste dû à l’extrapolation, qui est exagérée pour les parcelles agricoles aux formes non régulières. La précision réduite des méthodes d’interpolation conventionnelles avec une plus grande hétérogénéité dans les types de sols [33] et une stratification inefficace [36] sont les composantes supplémentaires qui indiquent la nécessité d’améliorer la prédiction des sols effectuée par les méthodes d’interpolation conventionnelles [37].

Tableau 1. Études qui ont utilisé une méthode d’interpolation conventionnelle pour la prédiction du sol dans la fertilisation.

L’importance de sélectionner la méthode d’interpolation optimale et ses paramètres pour la fertilisation en agriculture de précision se manifeste en évitant les mauvaises pratiques agricoles et en réduisant la consommation d’engrais minéraux et/ou organiques. Cela a un impact direct sur les économies financières de la production et augmente les bénéfices en obtenant des rendements stables en fonction des besoins locaux des cultures. Pour ces raisons, de nombreuses études antérieures ont noté l’importance de l’optimisation de la création complète de cartes de prescription de processus dans la fertilisation de précision, qui nécessite une approche multidisciplinaire pour obtenir le résultat souhaité [45,46]. La sélection d’une méthode d’interpolation spatiale optimale, et par conséquent la précision de la prédiction des paramètres du sol, dépend des propriétés de l’ensemble de données d’entrée [47]. Par conséquent, il n’existe pas de méthode d’interpolation spatiale universellement optimale, et plusieurs alternatives doivent être évaluées pour chaque ensemble d’échantillons de sol [48].
L’évaluation de la précision des méthodes d’interpolation spatiale est une étape nécessaire pour déterminer les méthodes et les paramètres d’interpolation optimaux pour la création d’une carte de prescription en fertilisation de précision [49]. Certaines des méthodes les plus couramment utilisées pour l’évaluation de l’exactitude des résultats d’interpolation spatiale sont la validation croisée et les méthodes d’échantillonnage fractionné. La méthode de validation croisée est la méthode la plus couramment utilisée pour évaluer la précision des méthodes d’interpolation et utilise tous les points échantillonnés pour développer et comparer des modèles [50]. Cette méthode est également un choix approprié avec un nombre limité de valeurs d’entrée d’échantillons de sol, ce qui est un cas très courant dans les conditions de gestion des terres agricoles avec des parcelles agricoles plus petites et fragmentées. La technique de non-participation est la forme la plus courante d’évaluation croisée, excluant chaque échantillon de sol individuel de la prédiction et répétant itérativement la procédure pour le nombre d’échantillons de sol d’entrée [51]. La fiabilité de cette procédure se produit particulièrement pour le nombre élevé de valeurs d’échantillonnage de sol hétérogènes. La méthode de l’échantillon fractionné évalue la précision de la prédiction et la robustesse des méthodes d’interpolation en divisant les données d’entrée en deux parties sur la base d’un rapport prédéfini, formant des données d’apprentissage et de test [29]. L’itération de la procédure et l’évaluation répétitive de la précision garantissent l’évaluation de la cohérence et de la robustesse de la méthode d’interpolation sélectionnée.
Parmi la variété d’indicateurs statistiques de la précision de l’interpolation, le coefficient de détermination (R2) et l’erreur quadratique moyenne (RMSE) sont deux des valeurs les plus couramment utilisées [37], permettant également une évaluation complémentaire de la précision [52]. Aux fins de l’évaluation de l’exactitude des propriétés prédites du sol utilisées dans la fertilisation en agriculture de précision, celles-ci sont calculées selon les équations (2) et (3) [47] :

dans laquelle yi sont les valeurs d’échantillon d’entrée, yi sont les valeurs interpolées, yi est la valeur d’échantillon moyenne, tandis que n est le nombre d’échantillons d’entrée. Outre leur application étendue dans les méthodes d’interpolation conventionnelles, ces paramètres sont également très populaires pour évaluer les performances des méthodes modernes d’apprentissage automatique dans la cartographie des sols [53].

2.1 Méthodes d’interpolation spatiale géostatistique

La principale caractéristique des méthodes géostatistiques est d’utiliser les variogrammes comme technique de quantification et de modélisation des valeurs continues d’échantillonnage du sol [54]. Contrairement à l’approche déterministe classique, la géostatistique considère la dépendance spatiale des variables, également appelée autocorrélation spatiale. Les méthodes d’interpolation géostatistique supposent qu’en connaissant les paramètres du sol aux emplacements échantillonnés, il est possible d’établir la relation entre ces valeurs et la distance des emplacements inconnus [55]. Bien que les méthodes géostatistiques des recherches antérieures aient généralement permis une précision d’interpolation plus élevée que les méthodes déterministes, elles nécessitent une distribution normale et une stationnarité des données d’échantillonnage du sol [56]. En l’absence de distribution normale des données d’entrée, l’application de la transformation logarithmique est recommandée, ce qui permet la mise en œuvre du krigeage pour de tels ensembles de données [57]. Bien que la géostatistique soit un concept simple, elle comprend plusieurs variantes du krigeage, qui englobent les tendances des données d’échantillons de sol. Outre l’autocorrélation spatiale, certaines méthodes de krigeage multivariées utilisent des prédicteurs indépendants, contrairement aux méthodes univariées. Selon le nombre d’articles scientifiques indexés dans la base de données Web of Science Core Collection entre 2010 et 2020, les méthodes de krigeage les plus couramment utilisées sont le krigeage ordinaire, de régression, indicateur, simple et universel (Figure 5).

Figure 5. Méthodes de krigeage les plus utilisées selon le nombre d’articles scientifiques indexés dans la Web of Science Core Collection.

Le variogramme est utilisé pour quantifier l’autocorrélation spatiale entre les lieux d’échantillonnage, en déterminant la relation des valeurs échantillonnées en fonction de leur distance mutuelle [55]. La distance entre les emplacements d’échantillonnage est représentée par h, et la valeur du variogramme concernant le h est appelée variance. Si les valeurs d’un certain h s’écartent considérablement les unes des autres, ce qui signifie que leur relation a une faible autocorrélation spatiale, alors la variance est grande. La semi-variance (γ) de Z entre les deux lieux d’échantillonnage xi et x0 est une notion fondamentale en géostatistique, définie par l’expression [55] (4) :
γ(xi, x0) = γ(h) = var〚Z(xi)− Z(x0)〛 (4)
Pour obtenir un résultat d’interpolation optimal, il est nécessaire d’adapter un certain modèle mathématique au variogramme, représenté par le coefficient de détermination le plus élevé possible entre le modèle et le variogramme [58]. Chaque modèle mathématique est déterminé de manière unique par les paramètres de pépite, de seuil et de plage. Alors que la pépite et le seuil indiquent la forme du modèle mathématique sélectionné et son positionnement par rapport à l’axe y, la plage définit la distance maximale aux échantillons de sol voisins jusqu’à ce que la présence d’une autocorrélation spatiale soit supposée. Tous les échantillons de sol situés aux plus grandes distances sont considérés comme spatialement indépendants et n’affectent pas les valeurs prévues des propriétés du sol. Certains des modèles mathématiques les plus couramment utilisés sont les modèles linéaires, exponentiels, sphériques et gaussiens [59].

2.2. Méthodes d’interpolation spatiale déterministe

IDW estime les valeurs des propriétés du sol à des emplacements inconnus sur la base d’une combinaison linéaire pondérée des résultats de la fonction de distance inverse par emplacements échantillonnés individuels. La fonction déterministe d’IDW suppose que les échantillons plus proches de l’emplacement inconnu ont proportionnellement plus d’impact, de sorte que le poids est représenté par l’expression [60] (5) :   

où p représente la puissance. Le poids diminue à mesure que la distance et le paramètre de puissance augmentent. Les échantillons dans le voisinage proche de l’emplacement inconnu ont un poids plus élevé et donc un impact plus important sur la valeur estimée, ce qui entraîne une interpolation spatiale locale. Le paramètre de puissance et la taille du voisinage sont choisis arbitrairement, et le choix le plus courant est le paramètre de puissance de 2 [61]. Les valeurs de p plus élevées diminuent l’hétérogénéité locale et se traduisent par des zones plus lisses, ce qui entraîne souvent une précision d’interpolation plus faible lorsque p est supérieur à 3.
La méthode des splines fait partie des méthodes d’interpolation déterministes définies par les courbes polynomiales [62]. Les polynômes sont utilisés pour décrire des parties d’une ligne ou d’une surface, basées sur un petit nombre de points, ce qui donne une surface lisse par leur jointure mutuelle. Lors du choix du p, la courbe prend une forme linéaire, carrée ou cubique, selon que la valeur de p est respectivement 1, 2 ou 3. Les courbes cubiques du troisième degré sont les plus couramment utilisées [63]. La méthode d’interpolation spline linéaire est souvent utilisée pour combler les lacunes de données dans les tableaux et est beaucoup plus simple que la méthode cubique. De plus, s’il y a deux dimensions spatiales, il est considéré comme une méthode bilinéaire, et dans le cas de la troisième dimension, trilinéaire. Les splines se traduisent par une plus grande précision d’interpolation sur les surfaces avec une variabilité locale moins prononcée, elles ne conviennent donc pas à une utilisation dans des cas très hétérogènes ou extrêmes, en particulier pour les petites surfaces [64].

3. Approche moderne de la fertilisation dans l’agriculture de précision

Au cours de la dernière décennie, le développement de nouvelles technologies et capteurs et la minimisation des capteurs ont conduit au développement et à l’amélioration de la cartographie des sols et du processus de fertilisation dans l’agriculture de précision. Les deux méthodes de prédiction du sol basées sur l’apprentissage automatique et les données de télédétection sont de plus en plus utilisées dans de telles études, comme présenté dans le tableau 2.

3. Données de télédétection

De nouvelles caméras multispectrales et hyperspectrales sur diverses plates-formes, des satellites aux drones, permettent d’obtenir des données de télédétection spatiales et spectrales élevées qui peuvent être utilisées dans la surveillance continue des champs agricoles. De plus, avec le développement du radar à synthèse d’ouverture (SAR ; par exemple, Sentinel-1) et des missions satellitaires optiques (par exemple, Sentinel-2, PlanetScope), la surface de la Terre peut être observée en haute résolution spatiale presque quotidiennement [76] . Les missions satellitaires, mais aussi de nouvelles plates-formes telles que les véhicules aériens sans pilote (UAV) ont conduit au développement et à l’amélioration de la qualité des modèles numériques de terrain (MNT) et d’autres données importantes dans l’agriculture de précision, par exemple le modèle de hauteur de canopée (CHM). Le développement des technologies et des données de télédétection a conduit à une application accrue dans l’agriculture de précision. Au cours des dernières années, un nombre croissant d’articles scientifiques dans le domaine des données de télédétection en fertilisation de précision ont été notés (Figure 6). Une augmentation significative de l’utilisation des données multispectrales, hyperspectrales et radar est présente, alors que les données sur les modèles numériques de terrain en fertilisation de précision ne se développent pas à un tel rythme. Bien que le nombre de recherches utilisant des données satellitaires soit considérablement plus élevé que les données obtenues par UAV, une croissance rapide de l’application des UAV s’est produite au cours des cinq dernières années. Comme dans les recherches précédentes [77], la prévalence des images multispectrales est encore plus élevée que pour le radar. Avec le développement des technologies d’imagerie radar [78–81], principalement dans l’évaluation de l’humidité du sol, une augmentation significative du nombre d’études dans ce domaine est attendue dans les années à venir.

Figure 6. Les données de télédétection les plus fréquemment utilisées en fertilisation de précision selon le nombre d’articles scientifiques indexés dans la base de données Web of Science Core Collection.

La technologie et les capteurs de télédétection mentionnés ci-dessus permettent une acquisition rapide et précise des données de surface terrestre. Ces données peuvent décrire la surface de la Terre en 3D (par exemple, modèles numériques d’élévation, modèle numérique de surface) ou dans le type de données 2D (par exemple, bandes spectrales, composites) acquises par des capteurs situés sur diverses plates-formes, par exemple, satellite, avion ou UAV . Les données acquises peuvent être utilisées pour produire diverses données cruciales de télédétection telles que [82] :
(1) divers indices pour une meilleure description de la surface de la terre (par exemple, l’eau, la végétation, le sol) à partir d’images multispectrales ou
(2) divers dérivés des modèles numériques d’élévation tels que l’analyse de pente, de courbure ou d’accumulation de débit.
Les images radar doivent être soulignées car elles trouvent leur application dans la détection de la quantité d’humidité dans le sol [78,81], ce qui est extrêmement important dans l’agriculture de précision. Par exemple, les données de télédétection les plus utilisées dans la fertilisation de précision pour l’emplacement exact sont présentées à la figure 7.

Figure 7. Les données de télédétection les plus largement utilisées dans l’approche moderne de la fertilisation de précision.

4. Méthodes modernes de télédétection pour une fertilisation optimale dans l’agriculture de précision

Dans les recherches récentes [8,14,24,83–85], les méthodes de télédétection pour évaluer l’agriculture de précision et la fertilisation sont divisées en deux approches différentes :
(1) Régressions multivariées basées sur diverses données de télédétection et
(2) Méthodes d’apprentissage automatique et en profondeur pour les prédictions.
Depuis de nombreuses années, les auteurs utilisent des régressions multivariées pour modéliser les variables en agriculture de précision [83,86]. Avec le développement des données de télédétection, les auteurs ont introduit de nouvelles mesures collectées à l’aide de données de télédétection [83] dans le processus de régressions multivariées. Ces données ont grandement amélioré le processus d’estimation des variables requises pour créer des cultures meilleures et plus productives [87]. Les régressions multivariées basées sur diverses données de télédétection ont grandement amélioré les estimations des paramètres du sol pour la fertilisation de précision par rapport aux méthodes d’interpolation spatiale conventionnelles.
Au cours de la dernière décennie, le développement matériel et informatique a permis et popularisé l’application et le développement de méthodes avancées pour le traitement de grandes quantités de données spatiales, telles que l’apprentissage automatique et les méthodes d’apprentissage en profondeur [88-91]. De nos jours, ces méthodes sont également souvent utilisées en télédétection pour classer rapidement et avec précision de grandes quantités d’images satellites afin d’obtenir des cartes d’utilisation et d’occupation des sols (LULC) de la surface de la Terre [92,93]. La grande importance de la méthode d’apprentissage automatique et profond réside dans le traitement rapide de diverses données spatiales et attributaires pour améliorer l’estimation et la prédiction de la variable, par exemple, l’estimation de l’engrais dans les cultures à partir d’images satellites disponibles [14,94,95] . Les tendances de l’application des méthodes de télédétection dans la fertilisation de précision sur la base des documents de recherche de la dernière décennie sont illustrées à la figure 8. L’application de l’algorithme de la forêt aléatoire et de la machine à vecteurs de support a montré une tendance à la hausse au cours des cinq dernières années, tandis que la Les applications des réseaux de neurones et des méthodes d’arbre de décision ont stagné dans la fertilisation de précision.

Figure 8. Les méthodes de télédétection les plus utilisées en fertilisation de précision selon le nombre d’articles scientifiques indexés dans la base de données Web of Science Core Collection.

Malgré les méthodes de télédétection modernes conventionnelles existantes, le développement de nouvelles approches hybrides améliorerait considérablement le processus de fertilisation dans l’agriculture de précision. De nouvelles approches hybrides permettraient une meilleure résolution spatiale et une évaluation plus précise des conditions des cultures et des sols, améliorant ainsi le processus de fertilisation. Le Pre-

La proposition préliminaire d’une nouvelle approche hybride est basée sur des données de télédétection telles que les indices spectraux de la végétation, de l’eau et du sol, un modèle numérique d’élévation et d’autres données de télédétection (par exemple, des bandes spectrales) appuyées par des données raster obtenues par des méthodes d’interpolation spatiale conventionnelles. Les méthodes d’apprentissage automatique pourraient modéliser rapidement et avec précision toutes les données mentionnées en fonction de celles qui peuvent être réalisées dans une prédiction réelle et précise de l’état des cultures et du sol.

5. Un aperçu représentatif des approches modernes et conventionnelles pour
Fertilisation dans l’agriculture de précision

Pour fournir un aperçu plus perspicace de l’efficacité des approches conventionnelles et modernes de la fertilisation de précision au-delà de l’examen scientifique, une étude de cas pour une parcelle agricole commune en Croatie a été réalisée. Le pentoxyde de phosphore (P2O5) et l’oxyde de potassium (K2O) ont été utilisés pour la prédiction, représentant deux des propriétés du sol les plus importantes dans la fertilisation agricole [96]. Un total de 121 échantillons ont été utilisés dans la parcelle agricole de 4,1 km2, représentant une micro-localisation comme dans [29,44]. Les statistiques descriptives de l’ensemble d’échantillons de sol d’entrée sont présentées dans le tableau 3. Tous les résultats prédits ont été calculés dans une résolution spatiale de 30 m, selon les spécifications de Hengl [35]. La précision de la prédiction du sol a été évaluée à l’aide de R2 et de RMSE, en tant que mesures d’interpolation les plus couramment appliquées dans des études antérieures similaires. La validation croisée à l’aide de la technique leave-one-out a été utilisée pour l’évaluation de l’exactitude.

Tableau 3. Les statistiques descriptives de l’ensemble d’échantillons de sol représentatif utilisé pour la comparaison des approches conventionnelles et modernes de la fertilisation de précision.

OK, en tant que méthode d’interpolation géostatistique la plus couramment appliquée, avec
L’IDW, son pendant déterministe, a été utilisé pour la représentation des méthodes classiques de prédiction en fertilisation. Comme la plage de l’interpolation OK est conditionnée par l’autocorrélation spatiale des valeurs d’entrée, certains des modèles mathématiques les plus couramment utilisés dans les études précédentes ont été évalués, en tant que paramètre principal de l’interpolation OK. De manière analogue, les paramètres de puissance les plus courants de l’IDW ont été évalués. En raison du manque de normalité des données, une transformation logarithmique a été effectuée dans le prétraitement vers l’interpolation OK.
Les affichages comparatifs des résultats d’interpolation produits par les méthodes d’interpolation conventionnelles pour P2O5 et K2O sur l’ensemble d’échantillons de sol représentatif sont présentés dans
Figures 9 et 10. Les résultats d’interpolation pour les deux propriétés du sol ont indiqué une forte dépendance de la précision de la prédiction sur les paramètres d’entrée, indiquant l’importance d’évaluer plusieurs méthodes, ainsi que leurs paramètres, comme indiqué dans [47]. Le R2 de l’OK variait de 0,331 à 0,414 pour le P2O5 et de 0,082 à 0,120 pour le K2O, indiquant une précision proportionnellement plus faible pour les valeurs d’entrée avec une autocorrélation spatiale plus faible, ce qui est l’une des principales contraintes de sa précision de prédiction [97] . En raison de sa nature déterministe, IDW était résistant à cette propriété, avec sa précision d’interpolation allant de 0,233 à 0,405 pour le P2O5 et de 0,234 à 0,374 pour le K2O. Il a généralement produit une précision inférieure mais avec une approche plus équilibrée en ce qui concerne la sensibilité aux valeurs d’entrée, comme indiqué dans [29]. Outre la variation de la précision de l’interpolation, les plages de valeurs résultantes et les valeurs CV ont été gravement affectées par la sélection de la méthode d’interpolation et de ses paramètres.
Un total de douze covariables pertinentes pour la prédiction P2O5 et K2O utilisées comme base de l’approche de prédiction moderne sont présentées dans le tableau 4. Celles-ci ont été définies conformément aux spécifications de la cartographie des sols par Hengl et MacMillan [98] et qui ont été utilisées dans études de prédiction de sol similaires récemment [66,73,82]. Six covariables ont été dérivées d’un modèle numérique d’élévation et six d’images Landsat 8, entièrement basées sur des données librement et largement disponibles. Ces covariables pour la zone couvrant l’ensemble d’échantillons de sol représentatif sont représentées visuellement à la figure 7. Quatre des méthodes d’apprentissage automatique les plus couramment appliquées dans les études précédentes indexées dans le WoSCC ont été utilisées : forêt aléatoire (RF), machine à vecteurs de support (SVM), réseaux de neurones artificiels (ANN) et arbre de décision (DT). Ces méthodes ont récemment gagné en popularité dans l’approche moderne de la fertilisation, permettant l’intégration de données volumineuses, très précises et avec une prédiction efficace en termes de calcul [53].

Figure 9. Présentation comparative des résultats d’interpolation utilisant les paramètres communs OK et IDW pour P2O5.

Un affichage comparatif de l’approche moderne de prédiction des sols pour la fertilisation dans l’agriculture de précision, ainsi que les résultats les plus précis de l’approche conventionnelle sont présentés à la figure 11. Outre une précision de prédiction améliorée et une résistance aux propriétés particulières des valeurs d’échantillon d’entrée, l’approche moderne ont inclus plus d’hétérogénéité du sol dans le résultat avec des valeurs de CV plus élevées. Des études antérieures ont également noté une précision de prédiction supérieure de l’approche moderne par rapport aux méthodes conventionnelles, en particulier dans les cas d’autocorrélation spatiale inférieure indiquée par des valeurs de pépites élevées [38]. Outre les indices spectraux et les indicateurs topographiques, qui sont applicables à la fois aux échelles mineures et majeures [82], les données climatiques et les informations auxiliaires sur les sols sont généralement incluses dans l’approche moderne [73]. Ces valeurs sont généralement plus adaptées aux études de macro-localisation en raison de leur homogénéité locale, ainsi que du manque de données spatiales disponibles à une résolution spatiale plus élevée pour correspondre à celles des images satellites et des DEM [2]. Malgré la même résolution spatiale des rasters P2O5 et K2O produits par les approches conventionnelles et modernes, les méthodes d’apprentissage automatique modernes ont abouti à des zones beaucoup moins lisses, conservant des informations locales spécifiques sur les conditions de terrain, qui sont l’épine dorsale de l’agriculture de précision [7]. Chen et al. [37] ont noté l’amélioration de la résolution spatiale comme l’un des principaux avantages de l’approche moderne par rapport aux méthodes d’interpolation conventionnelles, parallèlement à l’amélioration de la précision des prévisions et de l’efficacité en termes de temps et de coût.

Figure 10. Présentation comparative des résultats d’interpolation utilisant les paramètres communs OK et IDW pour K2O.

Tableau 4. Covariables utilisées pour la prédiction moderne en utilisant l’échantillon de sol représentatif pour la fertilisation de précision.

Figure 11. Un affichage comparatif de la prévision moderne du sol avec les résultats les plus précis de l’approche conventionnelle sur un échantillon de sol représentatif.

6. Conclusions

La fertilisation est la base de la production agricole, qui doit être réalisée de manière efficace et en accord avec les besoins des cultures locales pour assurer la durabilité et prévenir la dégradation des sols. La numérisation de l’ensemble de la procédure, de la collecte des données terrain au traitement informatique et à l’élaboration d’une carte de prescription de fertilisation, est à la base de la fertilisation en agriculture de précision. Les systèmes d’information de gestion deviennent essentiels dans la fertilisation de précision, et pour ces raisons, leur importance devient inévitablement une priorité. Les progrès technologiques conduisent au développement de progiciels plus sophistiqués et plus accessibles qui segmentent notamment le traitement et l’exploitation des données spatiales. La fertilisation moderne repose sur l’utilisation des technologies de l’information agricole à un niveau croissant, ce qui représente un développement rapide de la pratique agricole, qui nécessite désormais l’apprentissage et la formation constants des utilisateurs et l’investissement dans de nouveaux systèmes technologiques. Les méthodes d’interpolation utilisées à des fins de fertilisation de précision jouent un rôle très important dans le processus décisionnel et l’utilisation des données échantillonnées. Chacune des méthodes décrites dans cet article comprend un certain niveau d’incertitude, mais la connaissance de leurs capacités et de leur utilité permet à l’utilisateur de sélectionner une méthode optimale et ses paramètres pour assurer une précision de prédiction maximale. La poursuite de la mise en œuvre des méthodes d’interpolation spatiale dans les pratiques agricoles devrait accélérer la transition de l’agriculture intensive conventionnelle à l’agriculture de précision, permettant des rendements stables et une production agricole durable à l’avenir.
Les données de télédétection modernes améliorent le processus de fertilisation dans l’agriculture de précision, en tant que source de données mondiale abondante et librement accessible. L’imagerie satellitaire radar et optique a permis des avancées significatives dans la surveillance des terres cultivées (par exemple, l’humidité du sol, le pentoxyde de phosphore) au quotidien, tandis que de l’autre côté, les drones équipés de nouvelles caméras hyperspectrales et multispectrales permettent la surveillance des cultures à l’échelle centimétrique. . La nouvelle imagerie radar et l’imagerie thermique par satellite ou UAV permettent le développement de nouveaux algorithmes et méthodes pour obtenir l’état des cultures et des sols. Les nouvelles méthodes hybrides de modélisation de la qualité des cultures et des sols améliorent les approches d’apprentissage automatique conventionnelles et modernes standard. Ils permettent également l’intégration efficace et précise sur le plan informatique des données de télédétection et des réalisations dans l’agriculture de précision et amélioreraient également considérablement le processus de fertilisation. De nouvelles approches hybrides permettraient une meilleure résolution spatiale et une évaluation plus précise des conditions des cultures et des sols. L’application de satellites d’observation de la Terre (par exemple, PlanetScope) permet de surveiller quotidiennement l’état des sols et des cultures sans se rendre sur le terrain et de nouvelles méthodes de télédétection robustes et automatiques conduiront à l’automatisation complète du processus de traitement des images satellites. Cela permettra aux utilisateurs finaux, sans aucune connaissance en télédétection, d’obtenir un produit final tel qu’une carte des mauvaises herbes ou une carte de l’humidité du sol automatiquement, presque en temps réel.
En conséquence, on peut conclure que les données et les méthodes de télédétection jouent désormais un rôle crucial dans le processus de fertilisation dans l’agriculture de précision, et leur importance devrait augmenter à l’avenir.

Contributions de l’auteur : Conceptualisation, D.R. et M.G. ; méthodologie, D.R. et M.G. ; Logiciel,
D.R. ; validation, D.R., M.J. et M.G. ; analyse formelle, D.R., M.J. et M.G. ; enquête, D.R. et M.G. ; ressources, D.R. et M.J. ; conservation des données, D.R. ; rédaction – préparation du projet original, D.R. et M.G. ; rédaction—révision et édition, D.R., M.J. et M.G. ; visualisation, D.R. ; supervision, M.J. et M.G. ; administration du projet, M.J. et M.G. ; acquisition de financement, M.G., D.R. et M.J. Tous les auteurs ont lu et accepté la version publiée du manuscrit.
Financement : Cette recherche n’a reçu aucun financement externe.
Déclaration de disponibilité des données : Sans objet.
Remerciements : Ce travail a été soutenu par la Faculté des sciences agrobiotechniques d’Osijek dans le cadre du projet scientifique : “AgroGIT—systèmes techniques et technologiques de production agricole, SIG et protection de l’environnement”. Ce travail a été soutenu par l’Université de Zagreb dans le cadre du projet scientifique : “Méthodes avancées de photogrammétrie et de télédétection pour la surveillance des changements environnementaux” (Grant No. RS4ENVIRO).
Conflits d’intérêts : Les auteurs ne déclarent aucun conflit d’intérêts.

References

1. Ray, D.K.; Ramankutty, N.; Mueller, N.D.; West, P.C.; Foley, J.A. Recent Patterns of Crop Yield Growth and Stagnation. Commun. 2012, 3, 1293. [CrossRef] [PubMed]
2. Radocˇaj, D.; Jurišic´, M.; Gašparovic´, M.; Plašcˇak, I.; Antonic´, O. Cropland Suitability Assessment Using Satellite-Based Biophysical Vegetation Properties and Machine Learning. Agronomy 2021, 11, 1620. [CrossRef]
3. Sela, S.; van Es, H.M.; Moebius-Clune, B.N.; Marjerison, R.; Kneubuhler, G. Dynamic Model-Based Recommendations Increase the Precision and Sustainability of N Fertilization in Midwestern US Maize Production. Electron. Agric. 2018, 153, 256–265. [CrossRef]
4. Jurišic´, M.; Radocˇaj, D.; Plašcˇak, I.; Rapcˇan, I. A Comparison of Precise Fertilization Prescription Rates to a Conventional Approach Based on the Open Source Gis Software. Poljoprivreda 2021, 27, 52–59. [CrossRef]
5. Pogrzeba, M.; Rusinowski, S.; Krzyzak, J. Macroelements and Heavy Metals Content in Energy Crops Cultivated on Contaminated˙

Soil under Different Fertilization—Case Studies on Autumn Harvest. Environ. Sci. Pollut. Res. 2018, 25, 12096–12106. [CrossRef]

6. Bogunovic, I.; Pereira, P.; Brevik, E.C. Spatial Distribution of Soil Chemical Properties in an Organic Farm in Croatia. Total Environ. 2017, 584–585, 535–545. [CrossRef]
7. Vizzari, M.; Santaga, F.; Benincasa, P. Sentinel 2-Based Nitrogen VRT Fertilization in Wheat: Comparison between Traditional and Simple Precision Practices. Agronomy 2019, 9, 278. [CrossRef]
8. Zha, H.; Miao, Y.; Wang, T.; Li, Y.; Zhang, J.; Sun, W.; Feng, Z.; Kusnierek, K. Improving Unmanned Aerial Vehicle Remote Sensing-Based Rice Nitrogen Nutrition Index Prediction with Machine Learning. Remote Sens. 2020, 12, 215. [CrossRef]
9. Lemaire, G.; Sinclair, T.; Sadras, V.; Bélanger, G. Allometric Approach to Crop Nutrition and Implications for Crop Diagnosis and Phenotyping. A Review. Sustain. Dev. 2019, 39, 27. [CrossRef]
10. Nogueira Martins, R.; Magalhaes Valente, D.S.; Fim Rosas, J.T.; Souza Santos, F.; Lima Dos Santos, F.F.; Nascimento, M.; Campana Nascimento, A.C. Site-Specific Nutrient Management Zones in Soybean Field Using Multivariate Analysis: An Approach Based on Variable Rate Fertilization. Soil Sci. Plant Anal. 2020, 51, 687–700. [CrossRef]
11. Zhang, L.; Yang, L.; Ma, T.; Shen, F.; Cai, Y.; Zhou, C. A Self-Training Semi-Supervised Machine Learning Method for Predictive Mapping of Soil Classes with Limited Sample Data. Geoderma 2021, 384, 114809. [CrossRef]
12. Tu, J.; Yang, G.; Qi, P.; Ding, Z.; Mei, G. Comparative Investigation of Parallel Spatial Interpolation Algorithms for Building Large-Scale Digital Elevation Models. Peerj Comput. Sci. 2020, 6, e263. [CrossRef] [PubMed]
13. Papadopoulos, A.; Kalivas, D.; Hatzichristos, T. GIS Modelling for Site-Specific Nitrogen Fertilization towards Soil Sustainability. Sustainability 2015, 7, 6684–6705. [CrossRef]
14. Maes, W.H.; Steppe, K. Perspectives for Remote Sensing with Unmanned Aerial Vehicles in Precision Agriculture. Trends Plant Sci. 2019, 24, 152–164. [CrossRef] [PubMed]
15. Lamb, D.W.; Brown, R.B. PA—Precision Agriculture: Remote-Sensing and Mapping of Weeds in Crops. Agric. Eng. Res. 2001, 78, 117–125. [CrossRef]
16. Segarra, J.; Buchaillot, M.L.; Araus, J.L.; Kefauver, S.C. Remote Sensing for Precision Agriculture: Sentinel-2 Improved Features and Applications. Agronomy 2020, 10, 641. [CrossRef]
17. Deng, L.; Mao, Z.; Li, X.; Hu, Z.; Duan, F.; Yan, Y. UAV-Based Multispectral Remote Sensing for Precision Agriculture: A Comparison between Different Cameras. ISPRS J. Photogramm. Remote Sens. 2018, 146, 124–136. [CrossRef]
18. Xie, Q.; Dash, J.; Huete, A.; Jiang, A.; Yin, G.; Ding, Y.; Peng, D.; Hall, C.C.; Brown, L.; Shi, Y.; et al. Retrieval of Crop Biophysical Parameters from Sentinel-2 Remote Sensing Imagery. J. Appl. Earth Obs. Geoinf. 2019, 80, 187–195. [CrossRef]
19. Skakun, S.; Kalecinski, N.I.; Brown, M.G.L.; Johnson, D.M.; Vermote, E.F.; Roger, J.-C.; Franch, B. Assessing Within-Field Corn and Soybean Yield Variability from WorldView-3, Planet, Sentinel-2, and Landsat 8 Satellite Imagery. Remote Sens. 2021, 13, 872. [CrossRef]
20. Aragon, B.; Houborg, R.; Tu, K.; Fisher, J.B.; McCabe, M. CubeSats Enable High Spatiotemporal Retrievals of Crop-Water Use for Precision Agriculture. Remote Sens. 2018, 10, 1867. [CrossRef]
21. Houborg, R.; McCabe, M.F. High-Resolution NDVI from Planet’s Constellation of Earth Observing Nano-Satellites: A New Data Source for Precision Agriculture. Remote Sens. 2016, 8, 768. [CrossRef]
22. Gašparovic´, M.; Zrinjski, M.; Barkovic´, Ð.; Radocˇaj, D. An Automatic Method for Weed Mapping in Oat Fields Based on UAV Imagery. Electron. Agric. 2020, 173, 105385. [CrossRef]
23. De Castro, A.I.; Torres-Sánchez, J.; Peña, J.M.; Jiménez-Brenes, F.M.; Csillik, O.; López-Granados, F. An Automatic Random Forest-OBIA Algorithm for Early Weed Mapping between and within Crop Rows Using UAV Imagery. Remote Sens. 2018, 10, 285. [CrossRef]
24. Chlingaryan, A.; Sukkarieh, S.; Whelan, B. Machine Learning Approaches for Crop Yield Prediction and Nitrogen Status Estimation in Precision Agriculture: A Review. Electron. Agric. 2018, 151, 61–69. [CrossRef]
25. Danner, M.; Berger, K.; Wocher, M.; Mauser, W.; Hank, T. Efficient RTM-Based Training of Machine Learning Regression Algorithms to Quantify Biophysical & Biochemical Traits of Agricultural Crops. ISPRS J. Photogramm. Remote Sens. 2021, 173, 278–296. [CrossRef]
26. Jimenez, A.F.; Ortiz, B.; Bondesan, L.; Morata, G.; Damianidis, D. Evaluation of Two Recurrent Neural Network Methods for Prediction of Irrigation Rate and Timing. Asabe 2020, 63, 1327–1348. [CrossRef]
27. Bhatt, R.; Sanjay-Swami. Soil Fertility Status of Ratte Khera Farm of Punjab Agricultural University, Punjab, India. Environ. Biol. 2020, 41, 1665–1675. [CrossRef]
28. De Zorzi, P.; Barbizzi, S.; Belli, M.; Mufato, R.; Sartori, G.; Stocchero, G. Soil Sampling Strategies: Evaluation of Different Approaches. Radiat. Isot. 2008, 66, 1691–1694. [CrossRef]
29. Radocˇaj, D.; Jug, I.; Vukadinovic´, V.; Jurišic´, M.; Gašparovic´, M. The Effect of Soil Sampling Density and Spatial Autocorrelation on Interpolation Accuracy of Chemical Soil Properties in Arable Cropland. Agronomy 2021, 11, 2430. [CrossRef]
    1. Dong, W.; Wu, T.; Luo, J.; Sun, Y.; Xia, L. Land Parcel-Based Digital Soil Mapping of Soil Nutrient Properties in an Alluvial-Diluvia Plain Agricultural Area in China. Geoderma 2019, 340, 234–248. [CrossRef]
    2. Gia Pham, T.; Kappas, M.; Van Huynh, C.; Hoang Khanh Nguyen, L. Application of Ordinary Kriging and Regression Kriging Method for Soil Properties Mapping in Hilly Region of Central Vietnam. ISPRS Int. J. Geo-Inf. 2019, 8, 147. [CrossRef]
    3. Šiljeg, A.; Lozic´, S.; Šiljeg, S. The Accuracy of Deterministic Models of Interpolation in the Process of Generating a Digital Terrain Model—The Example of the Vrana Lake Nature Park. Vjesn.-Tech. Gaz. 2015, 22, 853–863. [CrossRef]
    4. Mirás-Avalos, J.M.; Fandiño, M.; Rey, B.J.; Dafonte, J.; Cancela, J.J. Zoning of a Newly-Planted Vineyard: Spatial Variability of Physico-Chemical Soil Properties. Soil Syst. 2020, 4, 62. [CrossRef]
    5. Shaddad, S.M.; Buttafuoco, G.; Castrignanò, A. Assessment and Mapping of Soil Salinization Risk in an Egyptian Field Using a Probabilistic Approach. Agronomy 2020, 10, 85. [CrossRef]
    6. Hengl, T. Finding the Right Pixel Size. Geosci. 2006, 32, 1283–1298. [CrossRef]
    7. Liu, Y.; Chen, Y.; Wu, Z.; Wang, B.; Wang, S. Geographical Detector-Based Stratified Regression Kriging Strategy for Mapping Soil Organic Carbon with High Spatial Heterogeneity. Catena 2021, 196, 104953. [CrossRef]
    8. Chen, S.; Arrouays, D.; Leatitia Mulder, V.; Poggio, L.; Minasny, B.; Roudier, P.; Libohova, Z.; Lagacherie, P.; Shi, Z.; Hannam, J.; et al. Digital Mapping of GlobalSoilMap Soil Properties at a Broad Scale: A Review. Geoderma 2022, 409, 115567. [CrossRef]
    9. Song, X.-D.; Liu, F.; Wu, H.-Y.; Cao, Q.; Zhong, C.; Yang, J.-L.; Li, D.-C.; Zhao, Y.-G.; Zhang, G.-L. Effects of Long-Term K Fertilization on Soil Available Potassium in East China. Catena 2020, 188, 104412. [CrossRef]
    10. Román Dobarco, M.; Orton, T.G.; Arrouays, D.; Lemercier, B.; Paroissien, J.-B.; Walter, C.; Saby, N.P.A. Prediction of Soil Texture Using Descriptive Statistics and Area-to-Point Kriging in Region Centre (France). Geoderma Reg. 2016, 7, 279–292. [CrossRef]
    11. Dad, J.M.; Shafiq, M.U. Spatial Distribution of Soil Organic Carbon in Apple Orchard Soils of Kashmir Himalaya, India. Carbon Manag. 2021, 12, 485–498. [CrossRef]
    12. Zhang, J.; Wang, Y.; Qu, M.; Chen, J.; Yang, L.; Huang, B.; Zhao, Y. Source Apportionment of Soil Nitrogen and Phosphorus Based on Robust Residual Kriging and Auxiliary Soil-Type Map in Jintan County, China. Indic. 2020, 119, 106820. [CrossRef]
    13. Della Chiesa, S.; Genova, G.; la Cecilia, D.; Niedrist, G. Phytoavailable Phosphorus (P₂O₅) and Potassium (K₂O) in Topsoil for Apple Orchards and Vineyards, South Tyrol, Italy. Maps 2019, 15, 555–562. [CrossRef]
    14. Bogunovic, I.; Kisic, I.; Mesic, M.; Percin, A.; Zgorelec, Z.; Bilandžija, D.; Jonjic, A.; Pereira, P. Reducing Sampling Intensity in Order to Investigate Spatial Variability of Soil PH, Organic Matter and Available Phosphorus Using Co-Kriging Techniques. A

    Case Study of Acid Soils in Eastern Croatia. Arch. Agron. Soil Sci. 2017, 63, 1852–1863. [CrossRef]

    15. Wang, Y.; Xiao, Z.; Aurangzeib, M.; Zhang, X.; Zhang, S. Effects of Freeze-Thaw Cycles on the Spatial Distribution of Soil Total Nitrogen Using a Geographically Weighted Regression Kriging Method. Total Environ. 2021, 763, 142993. [CrossRef] [PubMed]
    16. Sidorova, V.A.; Zhukovskii, E.E.; Lekomtsev, P.V.; Yakushev, V.V. Geostatistical Analysis of the Soil and Crop Parameters in a Field Experiment on Precision Agriculture. Eurasian Soil Sci. 2012, 45, 783–792. [CrossRef]
    17. Nourzadeh, M.; Mahdian, M.H.; Malakouti, M.J.; Khavazi, K. Investigation and Prediction Spatial Variability in Chemical Properties of Agricultural Soil Using Geostatistics. Agron. Soil Sci. 2012, 58, 461–475. [CrossRef]
    18. Radocˇaj, D.; Jurišic´, M.; Antonic´, O. Determination of Soil C:N Suitability Zones for Organic Farming Using an Unsupervised Classification in Eastern Croatia. Indic. 2021, 123, 107382. [CrossRef]
    19. Attorre, F.; Alfo, M.; De Sanctis, M.; Francesconi, F.; Bruno, F. Comparison of Interpolation Methods for Mapping Climatic and Bioclimatic Variables at Regional Scale. J. Climatol. 2007, 27, 1825–1843. [CrossRef]
    20. Wang, W.; Cai, L.; Peng, P.; Gong, Y.; Yang, X. Soil Sampling Spacing Based on Precision Agriculture Variable Rate Fertilization of Pomegranate Orchard. Soil Sci. Plant Anal. 2021, 52, 2445–2461. [CrossRef]
    21. Betzek, N.M.; de Souza, E.G.; Bazzi, C.L.; Schenatto, K.; Gavioli, A.; Graziano Magalhaes, P.S. Computational Routines for the Automatic Selection of the Best Parameters Used by Interpolation Methods to Create Thematic Maps. Electron. Agric. 2019, 157, 49–62. [CrossRef]
    22. Tziachris, P.; Metaxa, E.; Papadopoulos, F.; Papadopoulou, M. Spatial Modelling and Prediction Assessment of Soil Iron Using Kriging Interpolation with PH as Auxiliary Information. ISPRS Int. J. Geo-Inf. 2017, 6, 283. [CrossRef]
    23. Xu, Y.; Wang, X.; Bai, J.; Wang, D.; Wang, W.; Guan, Y. Estimating the Spatial Distribution of Soil Total Nitrogen and Available Potassium in Coastal Wetland Soils in the Yellow River Delta by Incorporating Multi-Source Data. Indic. 2020, 111, 106002.

    [CrossRef]

    24. Dash, P.K.; Panigrahi, N.; Mishra, A. Identifying Opportunities to Improve Digital Soil Mapping in India: A Systematic Review. Geoderma Reg. 2022, 28, e00478. [CrossRef]
    25. Ploner, A.; Dutter, R. New Directions in Geostatistics. Stat. Plan. Inference 2000, 91, 499–509. [CrossRef]
    26. Oliver, M.A.; Webster, R. A Tutorial Guide to Geostatistics: Computing and Modelling Variograms and Kriging. Catena 2014, 113, 56–69. [CrossRef]
    27. Wang, K.; Zhang, C.; Li, W. Comparison of Geographically Weighted Regression and Regression Kriging for Estimating the Spatial Distribution of Soil Organic Matter. GIScience Remote Sens. 2012, 49, 915–932. [CrossRef]
    28. Jurišic´, M.; Radocˇaj, D.; Krcˇmar, S.; Plašcˇak, I.; Gašparovic´, M. Geostatistical Analysis of Soil C/N Deficiency and Its Effect on Agricultural Land Management of Major Crops in Eastern Croatia. Agronomy 2020, 10, 1996. [CrossRef]
    29. Pardo-Iguzquiza, E.; Dowd, P.A. Comparison of Inference Methods for Estimating Semivariogram Model Parameters and Their Uncertainty: The Case of Small Data Sets. Geosci. 2013, 50, 154–164. [CrossRef]
    30. Australia Government. A Review of Spatial Interpolation Methods for Environmental Scientists; Geoscience Australia: Canberra, Australia, 2008.
    31. Robinson, T.P.; Metternicht, G. Testing the Performance of Spatial Interpolation Techniques for Mapping Soil Properties. Electron. Agric. 2006, 50, 97–108. [CrossRef]
    32. Bărbulescu, A.; S_, erban, C.; Indrecan, M.-L. Computing the Beta Parameter in IDW Interpolation by Using a Genetic Algorithm. Water 2021, 13, 863. [CrossRef]
    33. Xie, Y.; Chen, T.; Lei, M.; Yang, J.; Guo, Q.; Song, B.; Zhou, X. Spatial Distribution of Soil Heavy Metal Pollution Estimated by Different Interpolation Methods: Accuracy and Uncertainty Analysis. Chemosphere 2011, 82, 468–476. [CrossRef] [PubMed]
    34. Voltz, M.; Webster, R. A Comparison of Kriging, Cubic Splines and Classification for Predicting Soil Properties from Sample Information. Soil Sci. 1990, 41, 473–490. [CrossRef]
    35. Bahri, F.M.Z.; Sharples, J.J. Sensitivity of the Empirical Mode Decomposition to Interpolation Methodology and Data NonStationarity. Model. Assess. 2019, 24, 437–456. [CrossRef]
    36. Hengl, T.; de Jesus, J.M.; MacMillan, R.A.; Batjes, N.H.; Heuvelink, G.B.M.; Ribeiro, E.; Samuel-Rosa, A.; Kempen, B.; Leenaars, J.G.B.; Walsh, M.G.; et al. SoilGrids1km—Global Soil Information Based on Automated Mapping. PLoS ONE 2014, 9, e105992. [CrossRef] [PubMed]
    37. Hengl, T.; de Jesus, J.M.; Heuvelink, G.B.M.; Gonzalez, M.R.; Kilibarda, M.; Blagotic´, A.; Shangguan, W.; Wright, M.N.; Geng, X.; Bauer-Marschallinger, B.; et al. SoilGrids250m: Global Gridded Soil Information Based on Machine Learning. PLoS ONE 2017, 12, e0169748. [CrossRef] [PubMed]
    38. Nussbaum, M.; Spiess, K.; Baltensweiler, A.; Grob, U.; Keller, A.; Greiner, L.; Schaepman, M.E.; Papritz, A. Evaluation of Digital Soil Mapping Approaches with Large Sets of Environmental Covariates. SOIL 2018, 4, 1–22. [CrossRef]
    39. Sun, X.-L.; Wang, Y.; Wang, H.-L.; Zhang, C.; Wang, Z.-L. Digital Soil Mapping Based on Empirical Mode Decomposition Components of Environmental Covariates. J. Soil Sci. 2019, 70, 1109–1127. [CrossRef]
    40. Shahbazi, F.; Hughes, P.; McBratney, A.B.; Minasny, B.; Malone, B.P. Evaluating the Spatial and Vertical Distribution of Agriculturally Important Nutrients—Nitrogen, Phosphorous and Boron—In North West Iran. Catena 2019, 173, 71–82. [CrossRef]
    41. Fathololoumi, S.; Vaezi, A.R.; Alavipanah, S.K.; Ghorbani, A.; Saurette, D.; Biswas, A. Improved Digital Soil Mapping with Multitemporal Remotely Sensed Satellite Data Fusion: A Case Study in Iran. Total Environ. 2020, 721, 137703. [CrossRef]
    42. John, K.; Abraham Isong, I.; Michael Kebonye, N.; Okon Ayito, E.; Chapman Agyeman, P.; Marcus Afu, S. Using Machine Learning Algorithms to Estimate Soil Organic Carbon Variability with Environmental Variables and Soil Nutrient Indicators in an Alluvial Soil. Land 2020, 9, 487. [CrossRef]
    43. Hengl, T.; Miller, M.A.E.; Križan, J.; Shepherd, K.D.; Sila, A.; Kilibarda, M.; Antonijevic´, O.; Glušica, L.; Dobermann, A.; Haefele, S.M.; et al. African Soil Properties and Nutrients Mapped at 30 m Spatial Resolution Using Two-Scale Ensemble Machine Learning. Rep. 2021, 11, 6130. [CrossRef] [PubMed]
    44. Poggio, L.; de Sousa, L.M.; Batjes, N.H.; Heuvelink, G.B.M.; Kempen, B.; Ribeiro, E.; Rossiter, D. SoilGrids 2.0: Producing Soil Information for the Globe with Quantified Spatial Uncertainty. SOIL 2021, 7, 217–240. [CrossRef]
    45. Guo, L.; Sun, X.; Fu, P.; Shi, T.; Dang, L.; Chen, Y.; Linderman, M.; Zhang, G.; Zhang, Y.; Jiang, Q.; et al. Mapping Soil Organic Carbon Stock by Hyperspectral and Time-Series Multispectral Remote Sensing Images in Low-Relief Agricultural Areas. Geoderma

    2021, 398, 115118. [CrossRef]

    46. Zhang, Z.; Ding, J.; Zhu, C.; Chen, X.; Wang, J.; Han, L.; Ma, X.; Xu, D. Bivariate Empirical Mode Decomposition of the Spatial Variation in the Soil Organic Matter Content: A Case Study from NW China. Catena 2021, 206, 105572. [CrossRef]
    47. Radocaj, D.; Obhodas, J.; Jurisic, M.; Gasparovic, M. Global Open Data Remote Sensing Satellite Missions for Land Monitoring and Conservation: A Review. Land 2020, 9, 402. [CrossRef]
    48. Gasparovic´, M.; Dobrinic´, D. Comparative Assessment of Machine Learning Methods for Urban Vegetation Mapping Using Multitemporal Sentinel-1 Imagery. Remote Sens. 2020, 12, 1952. [CrossRef]
    49. El Hajj, M.; Baghdadi, N.; Zribi, M.; Bazzi, H. Synergic Use of Sentinel-1 and Sentinel-2 Images for Operational Soil Moisture Mapping at High Spatial Resolution over Agricultural Areas. Remote Sens. 2017, 9, 1292. [CrossRef]
    50. Uddin, K.; Matin, M.A.; Meyer, F.J. Operational Flood Mapping Using Multi-Temporal Sentinel-1 SAR Images: A Case Study from Bangladesh. Remote Sens. 2019, 11, 1581. [CrossRef]
    51. Gasparovic, M.; Klobucar, D. Mapping Floods in Lowland Forest Using Sentinel-1 and Sentinel-2 Data and an Object-Based Approach. Forests 2021, 12, 553. [CrossRef]
    52. Balenzano, A.; Mattia, F.; Satalino, G.; Lovergine, F.P.; Palmisano, D.; Peng, J.; Marzahn, P.; Wegmuller, U.; Cartus, O.; DabrowskaZielinska, K.; et al. Sentinel-1 Soil Moisture at 1 Km Resolution: A Validation Study. Remote Sens. Environ. 2021, 263, 112554. [CrossRef]
    53. Zeraatpisheh, M.; Garosi, Y.; Reza Owliaie, H.; Ayoubi, S.; Taghizadeh-Mehrjardi, R.; Scholten, T.; Xu, M. Improving the Spatial Prediction of Soil Organic Carbon Using Environmental Covariates Selection: A Comparison of a Group of Environmental Covariates. CATENA 2022, 208, 105723. [CrossRef]
    54. Erler, A.; Riebe, D.; Beitz, T.; Loehmannsroeben, H.-G.; Gebbers, R. Soil Nutrient Detection for Precision Agriculture Using Handheld Laser-Induced Breakdown Spectroscopy (LIBS) and Multivariate Regression Methods (PLSR, Lasso and GPR). Sensors 2020, 20, 418. [CrossRef] [PubMed]
    55. Das, K.; Twarakavi, N.; Khiripet, N.; Chattanrassamee, P.; Kijkullert, C. A Machine Learning Framework for Mapping Soil Nutrients with Multi-Source Data Fusion. In Proceedings of the 2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS, Brussels, Belgium, 11–16 July 2021; pp. 3705–3708.
    56. Qiu, Z.; Ma, F.; Li, Z.; Xu, X.; Ge, H.; Du, C. Estimation of Nitrogen Nutrition Index in Rice from UAV RGB Images Coupled with Machine Learning Algorithms. Electron. Agric. 2021, 189, 106421. [CrossRef]
    57. Selige, T.; Boehner, J.; Schmidhalter, U. High Resolution Topsoil Mapping Using Hyperspectral Image and Field Data in Multivariate Regression Modeling Procedures. Geoderma 2006, 136, 235–244. [CrossRef]
    58. Paustian, M.; Theuvsen, L. Adoption of Precision Agriculture Technologies by German Crop Farmers. Agric. 2017, 18, 701–716. [CrossRef]
    59. Zhang, L.; Zhang, L.; Du, B. Deep Learning for Remote Sensing Data A Technical Tutorial on the State of the Art. IEEE Geosci. Remote Sens. Mag. 2016, 4, 22–40. [CrossRef]
    60. Lary, D.J.; Alavi, A.H.; Gandomi, A.H.; Walker, A.L. Machine Learning in Geosciences and Remote Sensing. Front. 2016, 7, 3–10. [CrossRef]
    61. Zhu, X.X.; Tuia, D.; Mou, L.; Xia, G.-S.; Zhang, L.; Xu, F.; Fraundorfer, F. Deep Learning in Remote Sensing: A Comprehensive Review and List of Resources. IEEE Geosci. Remote Sens. Mag. 2017, 5, 8–36. [CrossRef]
    62. Maxwell, A.E.; Warner, T.A.; Fang, F. Implementation of Machine-Learning Classification in Remote Sensing: An Applied Review. J. Remote Sens. 2018, 39, 2784–2817. [CrossRef]
    63. Chatziantoniou, A.; Petropoulos, G.P.; Psomiadis, E. Co-Orbital Sentinel 1 and 2 for LULC Mapping with Emphasis on Wetlands in a Mediterranean Setting Based on Machine Learning. Remote Sens. 2017, 9, 1259. [CrossRef]
    64. Zhang, C.; Sargent, I.; Pan, X.; Li, H.; Gardiner, A.; Hare, J.; Atkinson, P.M. Joint Deep Learning for Land Cover and Land Use Classification. Remote Sens. Environ. 2019, 221, 173–187. [CrossRef]
    65. Sibanda, M.; Mutanga, O.; Rouget, M. Examining the Potential of Sentinel-2 MSI Spectral Resolution in Quantifying above Ground Biomass across Different Fertilizer Treatments. ISPRS J. Photogramm. Remote Sens. 2015, 110, 55–65. [CrossRef]
    66. Basso, B.; Fiorentino, C.; Cammarano, D.; Schulthess, U. Variable Rate Nitrogen Fertilizer Response in Wheat Using Remote Sensing. Agric. 2016, 17, 168–182. [CrossRef]
    67. Ge, Y.; Zhang, J.; Zhang, L.; Yang, M.; He, J. Long-Term Fertilization Regimes Affect Bacterial Community Structure and Diversity of an Agricultural Soil in Northern China. Soils Sediments 2008, 8, 43–50. [CrossRef]
    68. Ye, H.; Lu, C.; Lin, Q. Investigation of the Spatial Heterogeneity of Soil Microbial Biomass Carbon and Nitrogen under Long-Term Fertilizations in Fluvo-Aquic Soil. PLoS ONE 2019, 14, e0209635. [CrossRef]
    69. Hengl, T.; MacMillan, R.A. Predictive Soil Mapping with R.; OpenGeoHub Foundation: Wageningen, The Netherlands, 2019; ISBN 978-0-359-30635-0.
    70. Olaya, V. Chapter 6 Basic Land-Surface Parameters. In Developments in Soil Science; Geomorphometry; Hengl, T., Reuter, H.I., Eds.; Elsevier: Amsterdam, The Netherlands, 2009; Volume 33, pp. 141–169.
    71. Freeman, T.G. Calculating Catchment Area with Divergent Flow Based on a Regular Grid. Geosci. 1991, 17, 413–422. [CrossRef]
    72. Conrad, O.; Bechtel, B.; Bock, M.; Dietrich, H.; Fischer, E.; Gerlitz, L.; Wehberg, J.; Wichmann, V.; Boehner, J. System for Automated Geoscientific Analyses (SAGA) v. 2.1.4. Model Dev. 2015, 8, 1991–2007. [CrossRef]
    73. Rouse, J.; Haas, R.H.; Schell, J.A.; Deering, D.W. Monitoring Vegetation Systems in the Great Plains with ERTS. NASA Spec. Publ. 1974, 351, 309.
    74. Huete, A.; Didan, K.; Miura, T.; Rodriguez, E.P.; Gao, X.; Ferreira, L.G. Overview of the Radiometric and Biophysical Performance of the MODIS Vegetation Indices. Remote Sens. Environ. 2002, 83, 195–213. [CrossRef]
    75. Hunt, E.R.; Cavigelli, M.; Daughtry, C.S.T.; Mcmurtrey, J.E.; Walthall, C.L. Evaluation of Digital Photography from Model Aircraft for Remote Sensing of Crop Biomass and Nitrogen Status. Agric. 2005, 6, 359–378. [CrossRef]
    76. Deng, Y.; Wu, C.; Li, M.; Chen, R. RNDSI: A Ratio Normalized Difference Soil Index for Remote Sensing of Urban/Suburban Environments. J. Appl. Earth Obs. Geoinf. 2015, 39, 40–48. [CrossRef]
    77. Escadafal, R. Remote Sensing of Arid Soil Surface Color with Landsat Thematic Mapper. Space Res. 1989, 9, 159–163. [CrossRef]
    78. Jin, S.; Sader, S.A. Comparison of Time Series Tasseled Cap Wetness and the Normalized Difference Moisture Index in Detecting Forest Disturbances. Remote Sens. Environ. 2005, 94, 364–372. [CrossRef]