صادق sadegh

سنجنده : تابش الكترومغناطيسي كه با سطح و جو زمين بر هم كنش مي كند به وسيله سنجيده‌اي مانند تابش سنج يا دوربين عكاسي ثبت مي شود يا به عبارتي  هر وسيله‌اي كه اشعه الكترومغناطيسي منعكس شده از پديده‌هاي مختلف يا ساير انرژي‌هاي ساطع شده ( مثل مادون قرمز حرارتي ) را جمع آوري نموده و به شكلي مناسب ، براي كسب اطلاعات از محيط اطراف ارائه دهد سنجنده (Sensor) ناميده  مي شود(2).

  سكوها : در سنجش از دور سكو ( Platform) به محلي اطلاق مي گرددكه سنجيده در آن قرار مي گيرد. سكوها به طور كلي شامل سكوهاي زيرزميني ، سكوها هوائي و سكوهاي فضائي هستند كه در زير ، اشاره كوتاهي به آن‌ها خواهد شد.

بازتابش نور از گياهان در شرايط مختلف متفاوت مي باشد كه در زيرمختصرا به آن  مي پردازيم:

اثر رطوبت بر انعكاس گياهان

تغييرات انعكاس گياهان داراي طرح انعكاس يكساني هستند به طوريكه همگي در محدوده مرئي انعكاس كمي دارند و بعد از آن انعكاسشان شديداً زياد مي شود. در بخش مرئي انعكاس خيلي كم است چون نور توسط رنگدانه ها و كلروفيل گياهان جذب مي گردد. در گياهان بيشتر بازتابش در محدوده مرئي از نور سبز هستند و به همين علت است كه گياهان به رنگ سبز ديده مي شوند، در طول موج مادون قرمز نزديك به طور ناگهاني انعكاس زياد شده و ثابت مي ماند و به تدريج بازتاب كمتر مي شود (بعد از طول موج مادون قرمز نزديك ) و بعد از آن در محدوده مادون قرمز مياني جذب زياد و بازتابش كم مي شود. در محدوده مادون قرمز نزديك بافت و ساختمان درون سلولي تعيين كننده ميزان بازتاب ها است. در حالت تنش خشكي در سه طول موج 4/1،9/1، 6/2 به جاي افت بازتابش، افزايش بازتاب داريم و در حالت مرگ گياه با خشك گياه، فعاليت بافتي متوقف شده و در نتيجه بازتاب در ناحيه مادون قرمز نزديك خيلي كم مي شود و اگر خشك شدن گياه با تغيير رنگ حاصل شود در منطقه مرئي تغييرات ايجاد مي شود. انعكاس گياه در محدوده مادون قرمز مياني، نسبتاً كم است. به خصوص در طول موج‌هاي 4/1 ، 9/1 ، 6/2 ميكرومتر ، اُفت شديد انعكاس به چشم مي خورد . انرژي الكترومغناطيسي در طول موج‌هاي ياد شده ، شديداً به وسيله مولكول‌هاي آب درون گياه جذب مي شوند (باندهاي جذب آب). ضمناً حالت كاهش رطوبت به ميزان كمتر از 40 % به طور طبيعي در پائيز اتفاق مي‌افتد و دراين حالت كلروفيل گياه نيز در حال ازبين رفتن مي باشد و بنابراين انعكاس در بخش مرئي نيز افزايش مي يابد(6).

جذب رنگدانه در طول موج‌هاي مرئي تابش الكترمغناطيسي

گياهان عالي داراي چهار رنگدانه اصلي هستند، كلروفيل a  ، كلروفيل b ، كاروتن  و گزانتوفيل ، كه همه آن‌ها نور مرئي را براي فرايند فتوسنتزي جذب مي كنند. كلروفيل a   و b  ، كه رنگدانه‌هاي مهم‌تري هستند، بخشي از نور آبي و سرخ را جذب   مي كنند ، كلروفيل  a طول موج‌هاي  43/0 و  66/0 و كلروفيل b طول موج‌هاي  45/0 و  65/0 را جذب مي كند. رنگدانه‌هاي كارتنوئيدي ، كاروتن و گزانتوفيل ، هر دو نور آبي‌ وسبز رادر تعدادي از طول موج‌ها جذب مي كنند. تفاوت‌هاي عمده در بازتابندگي متوسط نور سبز، و بازتابندگي شديد تابش فرو سرخِ نزديك ، تفاوت‌هاي عمده در بازتابندگي برگ در ميان گونه‌هاي گياهي مختلف ، به طور مستقيم به ضخامت برگ بستگي دارد كه به نوبه خود بر ميزان رنگدانه و ساختار فيزيولوژيكي برگ مؤثر است. براي مثال ، برگ ضخيم ساقه گندم، بيشترِ تابشِ رسيده به آنرا جذب مي كند و تنها بخش اندكي از تابش خود را عبور مي دهد، در حالي كه برگ نازك كاهو تمايل زيادي به عبور تابش نشان مي دهد و بخش اندكي راجذب مي كند. مساحت برگ‌هاي درون سايه انداز گياهي را مي توان به وسيله شاخص سطح برگ ثابت كرد و شاخص سطح برگ بنا به تعريف عبارت است از مساحت واحد برگ بر مساحت واحد سطح زمين در سايه اندازهايي كه شاخص سطح برگ بالايي دارند، مانند چراگاه‌ها ويژگي‌هاي بازتابندگي دو راستايي سايه انداز با ويژگي‌هاي نيمكره‌اي برگ يكسان است. در چنين موردي، سايه انداز گياهي داراي بازتابندگي دو راستايي آبي و سرخ نزديك بازتاندگي دو راستايي سبز متوسط و بازتابندگي دو راستاي فروسرخ نزديك و مياني زياد است. هرچند اين ويژگي‌هاي بازتابندگي براي محصولات علفي سالم بر روي خاكي كه رس متوسط دارد، كاملاً برقرار است. اما در محيط‌هاي مختلف، تغييرات قابل ملاحظه‌اي از خود نشان مي دهند. بازتابندگي دو راستايي مي تواند به علت اثرات خاك زمينه، وجود گياهان مسن ، ارتفاع  زاويه‌اي خورشيد و سنجنده ، شكل هندسي سايه‌انداز و برخي تغييرات ناگهاني و آب و هوايي سايه اندازبه‌شدت تغيير كند (13).

تأثيرسن گياه :

هم‌چنان كه سن گياه بيشتر شده و زمان برداشت محصول نزديك‌تر مي شود بازتابندي فروسرخ نزديك برگ كاهش چنداني نمي يابد . اما از بين رفتن رنگدانه‌هاي گياهي، باعث افزايش بازتاب طول موج‌هاي آبي و سرخ مي شود. در نتيجه ، رابطه‌اي مثبت بين بازتابندگي دو راستايي در هر طول موج و شاخص سطح برگ گياهان مسن وجود دارد(13).

مثال هايي از كاربرد  GISو RS دركشاورزي براي درك اهميت آن :

مثال (1): خريداران بزرگ محصولات كشاورزي براي تصميم گيري در مورد اينكه چه هنگام نسبت به خريد كالا اقدام نمايد، تا اندازه اي از دادههاي ماهوارهاي براي پيش بيني وضعيت محصولات استفاده مي كنند. دانستن اين مسئله كه مقدار محصول، بيشتر يا كمتر از حد معمول خواهد بود، در صورتي كه به موقع مشخص شود بسيار با ارزش است حتي اگر سطح دقت موجود در اطلاعات بسيار كم و كلي باشد. بعضي كمپاني ها مانند ( Earth Satellite Corporation) اين نوع گزارش هاي مربوط به وضعيت محصولات را به طور تجاري در اختيار مي گذارد مثلا كمپاني ((Agriculture Canada از تصاوير ماهواره اي براي تعيين وضعيت محصول گندم در كانادا استفاده مي كند(6). بعنوان مثال هنگام خشكسالي چمنزارها در سال 1988 ، اين سيستم به طور هفتگي گزارشهاي مربوط به ارزيابي محصولات را ارائه نمود و پس از آن داده هاي فوق براي نمايش شدت خشكسالي بكار رفتند. دپارتمان منابع آب كاليفرنيا به منظور پيش بيني آب مورد نياز جهت آبياري، با استفاده از تصاوير ماهوارهاي مساحت زمينهاي زراعي را تخمين زده است.اين دپارتمان از اين تخمين ها براي تعيين ميزان آب مخازن و نيز ميزان آب مورد نياز در شبكه آبياري استفاده مي كند. دقت مورد درخواست از تصاوير ماهواره اي، مانند ساير منابع داده هاي جغرافيايي، بستگي به كاربرد مورد نظر دارد. مسئله اساسي سطح دقت مورد نياز براي اخذ تصميمات صحيح مي باشد. اين موضوع ثابت شده است كه دقت مكاني داده هاي حاصل از سيستم هاي سنجش از دور ماهواره اي براي طيف گسترده اي از نيازهاي اطلاعات عملي كافي مي باشد. فرض كنيد كشورمان قصد وارد كردن گندم از خارج كشور را دارد، با توجه به اينكه قيمت گندم در بازارهاي جهاني در زمانهاي مختلف متفاوت است پس ما ابتدا بايد روشهايي را اتخاذ كنيم تا در ارزان‌ترين زمان گندم مورد نيازمان را خريداري كنيم ولي اين كار مستلزم دانستن ميزان گندم مورد نياز كشوراست كه از سالي به سال ديگر متفاوت است ، زيرا با توجه به اينكه قسمت قابل توجهي ازگندم كشورمان ازكشت ديم آن حاصل مي شود و ميزان عملكرد كشت ديم با توجه به تغييرات وضعيت جوي متفاوت است ما هرساله نيازمان به واردات گندم نيز تغييرمي كند. حال اين مشكلي است كه كشور ما با آن مواجه است زيرا مجبور است تا گزارش نهايي ميزان توليد گندم داخلي صبر كند و بعد گندم مورد نياز را وارد كند كه اين زمان مصادف با گران شدن گندم در بازارجهاني است زيرا تقاضاي براي خريد گندم زياد است در نتيجه قيمتها بالاست و كشور مجبور است هزينة گزافي را به علت عدم توان پيش‌بيني گندم مورد نيازش پرداخت كند. حال اگر ما بتوانيم نقشه زمينهاي ديم تحت كشت گندم را تهيه كنيم و بر اساس ميزان بارندگي پائيز و ساير مسائل جوي مدلي براي عملكرد در نقاط مختلف تهيه كنيم خيلي زود ميزان توليد داخلي تا حد نسبتاً دقيقي مشخص مي شود ( با توجه به اينكه توليد گندم آبي تقريباً ثابت است و يا به راحتي با توجه به سطح زيركشت قابل برآورد است ) و مي‌توان در زماني مناسب گندم را با قيمت پائين‌تر خريد كه اين كار با استفاده از تكنولوژي سنجش از دور و GIS عملي است كه چگونگي انجام آن از حوصله اين بحث خارج است. از موارد استفاده ديگر GIS در كشاورزي مي توان به تهيه  نقشه  Agro-Climate –Zone  ومساحت هريك از نواحي آن، با تركيب فاكتور هاي رطوبت قابل دسترس و حرارت، جهت برنامه ريزي كلان و ملي اشاره كرد كه در اين موارد با داشتن مدل رقومي ارتفاع ، لايه متوسط بارندگي سالانه و اطلاعات هوا شناسي به راحتي اين نقشه با استفاده از نرم افزار  Idrisi قابل تهيه است.

مثال(2):  تخمين عملكرد يك محصول زراعي با استفاده از سنجش از دور RS و GIS

ابزار سنجش از دور نه تنها توانايي تشخيص طبقه‌بندي كشت محصولات زراعي را در يك منطقه دارد بلكه توانايي تشخيص سطح زير كشت و تخمين عملكرد را نيز داراست. با توجه به اينكه اطلاعات به روز يكي از نيازات پايه‌اي و اساسي براي تصميم گيري و مديريت مي باشد ، بنابراين مديريت و تصميم گيري براي تحويل محصولات غذايي براي فروش ، نياز به اطلاعات به هنگام شده سطح زيركشت محصولات زراعي و عملكرد آنها مي‌باشد. در اين رابطه دركشور هند پروژه‌اي تحت عنوان « تعيين سطح زير كشت محصولات زراعي و تخمين توليد » با استفاده از داده‌هاي ماهواره‌اي براي پيش‌بيني سطح زير كشت و عملكرد محصولات مختلف قبل از برداشت دردست اجراست واين درتصميم‌گيري‌هاي اقتصادي بسيار مهم است كه اين اطلاعات قبل از برداشت در دست دولت باشد . اين مطالعه روي برنج و خردل و سيب زميني انجام شد و نشان دادكه اين تكنيك نه فقط براي پيش‌بيني عملكرد ، بلكه براي نظارت برشرايط محصولات تحت كشت مفيد مي باشد. اين اطلاعات همچنين براي پياده كردن يك سيستم كشاورزي پايدار در منطقه مفيد مي باشد(9).

مثال(3):  مدلسازي ديناميك عملكرد محصولات زراعي با استاندارد از  GIS :

با توجه به اينكه سيستمGIS داراي بانك اطلاعاتي قوي مي باشد كه توانايي به روز رساني اطلاعات را آسان مي كند مي توان با ارتباط آن به سيستم هاي مدلسازي زراعي و وارد كردن متغيرهايي از قبيل شرايط خاك ، توپوگرافي و متغيرهاي اقليمي كه دائماً‌ در حال تغيير هستند يك شبيه سازي دقيقي براي عملكرد گياهان زراعي انجام داد كه براي پيشگويي عملكرد در منطقه با توجه به شرايط همان سال بسيار مفيد خواهد بود(19). در بررسي خصوصيات بازتابش طيفي گوجه‌فرنگي در تاريخهاي كشت مختلف با استفاده از سنجش از دور  RSو GIS مشاهده شد كه هرچه گوجه فرنگي ديرتركاشته شود در يك زمان مشابه بازتابش كمتر مي گردد و ميزان آن در 90-80 روز بعد ازنشاءكاري در همه تاريخهاي كشت ، كاهش نشان داد كه به علت زرد شدن و ريزش برگها در كانوپي گوجه فرنگي بود(12). 

مثال (4): ارتباط GIS  و  RS  با استرس خشكي:

با توسعه  RS و رسيدن درجه تفكيك طيفي 10 نانومتر يا كوچكتر، بررسي دقيقتر صفات مختلف فيزيكي گياه  ممكن شد. پاسخهاي محصولات زراعي به استرسهاي محيطي از قبيل كمبود مواد خشكي، يخبندان و آفات نيز ممكن است به خوبي خصوصيات كمي قابل تشخيص و طبقه بندي باشد. اين آزمايش با استفاده ازآناليز تصاوير ماهوارهاي كانوپي برنج در دوره تنش خشكي در فاز رويشي است. اطلاعات مربوط به خصوصيات طيفي آن از انعكاس طيفي با درجه تفكيك طيفي بالا استخراج شدند. همبستگي بين سطوح كمبود آب و تغييرات در پارامتر‌هاي طيفي مطالعه شدند و پتانسيل كاربرد اين روابط براي تخمين قدرت و وضعيت كمبود آب ارزيابي شد.  براي ارزيابي خصوصيات طيفي كانوپي در شرايط تنش خشكي از داده هاي Hyperspectral (تعداد باند طيفي باريك زياد ) زمين مرجع در بالاي كانوپي برنج در سطوح مختلف كمبود آب بررسي شد. زمان اندازه گيري  در مرحله 8 تا 9 برگي درفازرويشي (پوشش گياهي70% ) وشش روز پس از تيمار استرس با يك اسپكتروديامتر قابل حمل در ظهر خورشيدي (10 سطح تيمار استرس در سه سطح تكرار ).آزمايشات نشان داده است كه انعكاس طيفي به استرس خشكي حساس است و باند هاي مختلف پاسخهاي گوناگوني به تنش خشكي دارند. در اين ميان انعكاس 8 طول موج رابطه خطي معني داري با سطوح استرس داشت (r>0.61) و انعكاس 2245 نانومتر بالاترين همبستگي           ( 80% ) را داشت اما به خوبي طول موج2113.5 نانومتر نيست(13).

مثال(5): تجزيه و تحليل كمي ( شيوه اي براي استخراج اطلاعات مفيد از تصاوير ماهوارهاي )
براي تعيين يا براورد مشخصات كمي از يك پديده مثلاً ميزان شوري آب، درجه حرارت آب، ميزان وزن بيوماس زير توده يك توده مرتعي، تعيين پارامترهاي كمي در جنگل  ( تعداد درختان در واحد سطح )و ...

روش كار به طور كلي به اين صورت است كه ابتدا تعدادي پلات در منطقه مي گيريم (با رعايت اصول آماري و نمونه برداري تخصصي از نقاطي كه گوياي تغييرات كلي منطقه باشند) سپس مختصات محل پلاتها را با استفاده از 1GPS تعيين و روي تصوير ماهوارهاي تطابق داده شده قرار ميدهيم، بعد تجزيه وتحليل آماري انجام مي دهيم تا ببينيم آيارابطه اي بين پارامتري كه در سطح زمين اندازه گيري كرديم وDN هاي تصاويرماهواره ايي مربوط به آنها وجود دارد، يعني ما مي توانيم با داشتن اين رابطه ها و DN ها صفت مورد مطالعه را در نقاط مختلف تعيين كنيم. مورد شوري در مثال زير گويا اين موضوع است(11).
مثال (6): تعيين ميزان شوري خاك با داده هاي ماهوارها ي (درويش صفت ،1377)
مراحل كار:
1- انتخاب محلي‌كه پوشش گياهي بسياركمي‌ داشته داشته باشد (نزديك درياچه حوض سلطان قم )
2- نمونه برداري خاك از منطقه اي كه تصوير ماهواره اي آن نيز در دسترس بود به طور تصادفي 30 نمونه  با فواصل 30*30 متر (مشابه با درجه تفكيك زميني ماهواره يا GRE 1 )
3- تعيين ميزان شوري خاك در آزمايشگاه
4- تعيين  رابطه رگرسيوني بين ميزان شوري و ميزان بازتابش ثبت شده در تصاوير ماهواره اي  (Y=aX+b)  كه  Yپارامتر شوري و X برابر DN تصاوير ماهواره اي مي باشد و از اين رابطه و با داشتن تصاوير ماهوارهاي منطقه ) DN)  ، ميزان شوري تعيين مي شود. مثالهاي ديگر رسيدن از DN   به شاخصهاي گياهي چون LAI,LDW,DM,YIELD و ... است كه در ادامه توضيح داده مي شود.

برآورد سطح زيركشت، عملكرد و خصوصيات گياهي مثل LAI,TDW و .. با استفاده از تكنيكهايGIS و  RS
 تخمين عملكرد برنج با استفاده از داده هاي ماهوارهاي Landsat5  (13)      
 روش كار:

  اندازه گيري راديومتريك با باند هاي مشابه ماهواره Landsat5 با راديومتر دستي از بالاي كانوپي گياهي  

  محاسبه VIs (شاخصهاي گياهي) و اندازه گيري خصوصيات گياهي مثل LAI, Grain Yield و LDW   از نمونه هاي   مربوطه و در نهايت با استفاده از روابط زير مي توان عملكرد را پيش بيني كرد.
                                     NDVI = (NIR-R)/ (NIR+R)

Yield (kg/ha) = 34.3 * (NDVI field) – 237.85                             
    NDVI sat = NDVI field + 0.1836                                   
                             
 Yield (kg/ha) = 34.3 * (NDVI sat - 0.1836) – 237.85                
                                              

NDVI sat: شاخص گياهي حاصل از داده هاي ماهواره ايي

NIR: نور مادون قرمز نزديك جذب شده توسط سنجنده

R: نور قرمز جذب شده توسط سنجنده

NDVI: شاخص گياهي

نتايج آزمايش:
ارزشهاي  NDVI  بدست آمده از داده هاي ماهواره اي همبستگي بهتري از ساير VIs (شاخص هاي گياهي) با عملكرد نشان داد.  اين مطالعه سودمندي تكنيك RS را در بدست آوردن اطلاعات كشاورزي در سطح وسيع با هزينه كم را كه                مي تواند براي آژانسهاي اقتصادي يا خبر گزاريها مفيد باشد نشان داد.

بعضي عناوين تحقيقاتي ديگر در زمينه كاربرد  GIS , RS در كشاورزي

1-مدلسازي رشد برنج با استفاده از خصوصيات طيف بازتابشي آن(22).

2-تعيين ميزان همبستگي بين ميزان روغن و ارزش DN  (Digital Number) يا شدت باز تابش نور از گياه

3-تخمين سطح زير كشت و عملكرد محصولات زراعي با استفاده از تكنولوژي سنجش از دور(14).

4-ارزيابي پتانسيل اقتصادي  توليد يك محصول زراعي با استفاده از تكنولوژي GIS  (14).

5-تصميم گيري پايدار در مورد كاربري اراضي در مناطق شهري و حومه با استفاده ازتكنولوژي GIS و مدلسازي(13).

نتيجه گيري:

جوامع بشري براي رسيدن به موفقيت، وابستگي زيادي به توانايي جمع آوري و تجزيه و تحليل اطلاعات جغرافيايي پيدا كرده است. جمعيت جهان در حال افزايش بوده و در عين حال منابع در حال كمياب شدن، مي باشند.

تقسيم بنديهاي جديد شهري، معدن، نيروگاه، تعيين سطح زير كشت گياهان زراعي وتخمين عملكرد،حفاظت از منابع طبيعي و يا حتي محل دفن زباله، پروژه هايي هستند كه بوسيله آژانسهاي محيط زيست مورد موشكافي قرار گرفته و اغلب دستخوش اعتراضات عمومي قرار مي گيرند. در مقياس بين المللي، مواد زائد هسته اي، باران هاي اسيدي، بيابان گرايي (Desertification) (تبديل اراضي به بيابان)، مواد سمي شيميايي و جنگل زدايي (Deforestation) مسائل شناخته شده جهان مي باشند كه مستقيماً بر روي موفقيت اقتصادي و اجتمايي جوامع بشري اثر مي گذارد. سيستم‌هاي اطلاعات جغرافيايي (GIS)، ابزار قدرتمندي براي تجزيه و تحليل سيستم هاي مربوط به اينگونه مسائل مي باشند. اين سيستم روشهاي انعطاف پذيري را براي كشف ارتباط بين داده هاي جغرافيايي فراهم مي كنند و به متخصصين رشته هاي مختلف اين امكان را مي دهد كه معلوماتشان را براي حل مسائل پيچيده در كنار يكديگر قرار دهند.بنابراين، موفقيت ما در ارتباط با بسياري از مسائل زيست محيطي، به اينگونه تلاش همه جانبه و فراگير بستگي دارد. با استفاده از تكنولوژيGIS اطلاعات جغرافيايي را مي توان جمع آوري و در راههاي جديد بكاربرد.GIS روشهاي عملي به منظور مديريت پايگاههاي اطلاعات فضايي (Spatial) بزرگ و گوناگوني، پيشنهاد مي نمايد و امكانات موثري را براي درك ارتباط پديده هاي مختلف فراهم مي نمايد. بسياري از تصميم گيرنده ها و مديران در صورتي كه مجبور به اداره مسائل پيچيده بوده و يا با تصميم گيري هاي مشكلي مواجه باشند، متوجه شده اند كه تكنولوژيGIS  بسيار لازم و اساسي خواهد بود. در دو قرن گذشته، تكنولوژيGIS با سرعت قابل توجهي گسترش پيدا كرده است. تاكنون، تغييرات تكنولوژيك سريعتر از تغييرات موسسه اي و عملي اتفاق افتاده است. ما در حال حاضر در ابتداي بررسي خيلي از مسائل اجتمايي، حقوقي، مديريتي مي باشيم كه با استفاده از سيستم‌هاي اطلاعات جغرافيايي (GIS) همراه و توام مي باشند.

 منابع :

1-آرونوف، ا.1375. سيستم هاي اطلاعات جغرافيايي( GIS ).سازمان نقشه برداري كشور.

2- دالكي، 1 و م . قادري . م. 1363 . چشمي در آسمان ( آشنايي با سنجش از دور ). مركز نشر دانشگاهي.

3- درويش صفت، ع. ا و مخدوم، م. 1380. ارزيابي و برنامه ريزي محيط زيست با سامانه هاي اطلاعات جغرافيايي (GIS).انتشارات دانشگاه تهران.

4- زبيري، م. و ع ، مجد، 1378 . آشنايي با فن سنجش از دور وكاربرد در منابع طبيعي . انتشارات دانشگاه تهران.

5- طاهركيا . ح. 1375 . سيستم اطلاعات جغرافيايي. انتشارات جهاد دانشگاهي دانشگاه تهران.

6- مديري، م. 1375 سيستم اطلاعات جغرافيايي. سازمان جغرافيايي نيروهاي مسلح .

7: CURRAN. P. J. 1985. Principles of Remote Sensing, Longman. London

F .F A. O. 1971. Land Degradation, Soil Bulletin, No. 13.

8: Herrmann, S., Osinski, E.1999. Planning sustainable land use in rural areas different spatial levels using GIS and modelling tools. www.elsevier.com/locate/estoc

9: Kundu, N., Mausumi,P and Ghos, S. C.  2000. Crop area estimation using satellite data: A study in West Bengal. Www.Gisdevelopment.net

10: Mukherjee, J. And Sastri, C.V.S.  2000. Spectral characteristics of Tomato (Lycopersicon esculentum mill.) in defferent sowing dates. Www.Gisdevelopment.net

11: Munkhtuya, SH.  , Oyuntulkhuur, B.  2000.  Crop monitoring for selenge basin using RS and GIS. Www.Gisdevelopment.net

12: Priya, S.  And Shibasaki, R.  2000.  GIS-base regional spatial crop yield modeling. Www.Gisdevelopment.net

13: Yong, C. M, and Su. M.R.  2000.  Analysis of spectral charateristics of rice canopy under water deficiency. Www.Gisdevelopment.net