Les cartes de rendement en Agriculture de Précision

Ca fait longtemps que ce post aurait dû être publié, notamment parce que c’était le sujet de ma thèse. C’est maintenant chose faite…

Avant toute chose, on pourrait se demander pourquoi un travail de thèse avait été proposé sur les données de rendement alors que les capteurs de rendement existent depuis les années 90 ? Premièrement, il est clair que l’information de rendement est en soi d’un intérêt primordial pour les producteurs. Le rendement permet effectivement de quantifier le niveau de production dans un champ et il peut être facilement relié à la marge brute de l’exploitation (ce sera l’objet d’un prochain post). Deuxièmement, d’un point de vue plus général, les capteurs de rendement sont disponibles depuis le début des années 1990, ce qui signifie que des bases de données historiques de cartographie des rendements sont susceptibles d’être disponibles sur de nombreuses parcelles. Il pouvait donc être intéressant de revenir à cette information de rendement avec toutes les connaissances et le feedback potentiellement disponibles.  Nous avions imaginé que repenser le traitement et l’analyse de ces données en les mettant en relation avec toutes les connaissances expertes qui ont été recueillies pourrait aider à générer de nouvelles informations et peut-être à soulever de nouvelles questions et perspectives pertinentes. Notons également que la carte de rendement peut être considérée comme un symbole de l’Agriculture de Précision. Savoir que les capteurs de rendement sont nés il y a maintenant plus de deux décennies mais qu’ils ont encore du mal à être utilisés correctement par les opérationnels sur le terrain peut également remettre en question la légitimité de l’Agriculture de Précision pour répondre aux exigences des professionnels.

Les capteurs de rendement : une des sources d’information pionnières de l’AP

Les capteurs de rendement sont disponibles depuis le début des années 1990. Ils ont joué un rôle clé dans le développement de l’agriculture de précision parce qu’ils ont été l’un des premiers moyens de définir, de quantifier et de caractériser la variabilité intra-parcellaire de la production.

Figure 1. Carte de rendement mettant en avant les patrons spatiaux de rendement dans la parcelle (certaines zones apparaissent plus productives que d’autres).

Ces capteurs sont embarqués sur les moissonneuses-batteuses et mesurent en temps réel la quantité de grain qui passe dans la moissonneuse-batteuse au moment de la récolte. Prenons l’exemple d’une culture de blé pour comprendre le fonctionnement de la moissonneuse. Lorsque la moissonneuse-batteuse passe dans le champ, la plante (tiges et grains) est coupée au niveau de la barre de coupe et s’écoule dans la moissonneuse-batteuse par le convoyeur. Les systèmes de battage (batteur, contre-batteur, secoueurs) séparent ensuite les grains des tiges. Les grains passent au travers de grilles de tamisage avant d’être envoyés vers l’organe de stockage de la moissonneuse, la trémie, en passant par un élévateur à grains. Les tiges sont rejetées de la moissonneuse-batteuse. Une très bonne vidéo de Gilles Vk du Loiret du Youtube vous montrera les organes internes de la moissonneuse.

Figure 2. Schéma d’une moissonneuse-batteuse conventionnelle (Source : Wikipédia). (1) rabatteur à griffe, (2) barre de coupe, (3) vis d’alimentation, (4) convoyeur, (5) récupérateur de pierres, (6) batteur, (7) contre-batteur, (8) secoueurs, (9) table de préparation, (10) ventilateur, (11) grille supérieure, (12) grille inférieure, (13) vis à otons, (14) recyclage des otons, (15) vis à grains, (16) trémie à grains, (17) broyeur à paille, (18) cabine de conduite, (19) moteur, (20) vis de déchargement, (21) tire-paille

Acquisition de données de rendement intra-parcellaires : moissonneuses-batteuses et moniteurs de rendement

Les capteurs de rendement sont généralement installés près de l’élevateur (figure 3). On en trouve deux systèmes principaux : les capteurs de rendement volumétriques (figure 3, a, b) et les capteurs de rendement massiques (figure 3, c, d, e, f) [Berducat, 2000 ; Chung et al., 2017].

• Les capteurs volumétriques estiment le volume de grain soit sur une roue à aubes située juste après l’élevateur (figure 3, a), soit directement dans l’élevateur à l’aide d’une barrière lumineuse unidirectionnelle (figure 3, b). Dans le premier cas, un capteur de niveau mesure le niveau du grain qui s’écoule dans la roue. Dans le second cas, le volume de grain est estimé par la durée de l’interruption de la lumière pendant que le grain passe dans l’élevateur. Les volumes de grain sont ensuite convertis en masse de grain en utilisant le poids spécifique du grain.

• Les capteurs massiques reposent soit sur le principe de la mesure de la force (figure 3 , d,e,f), soit sur l’absorption des rayons gamma par la masse (figure 3, c) (Kormann et al., 1998). Dans le premier cas, le poids du grain est estimé à l’aide d’un capteur de force / plaque à impact qui mesure la force d’impact du grain à l’extrémité de l’élevateur. Dans le second cas, un détecteur de rayonnement mesure l’absorption des rayons gamma (émis par la source de rayonnement ionisant) par le grain, qui est ensuite utilisé pour estimer le poids du grain.

Figure 3. Capteurs de rendement : capteurs de débit massique et volumétrique (source : Kormann et al., 1998)

Tous les systèmes de la moissonneuse-batteuse qui entrent en jeu pour calculer le rendement sont présentés à la Figure 10.  Les capteurs d’humidité sont utilisés pour fournir un enregistrement du rendement à un niveau d’humidité de référence.  Ces capteurs sont généralement placés près de l’élévateur pour estimer l’humidité du grain à l’aide des propriétés diélectriques du grain récolté. Il faut bien comprendre que les systèmes de positionnement GNSS permettent d’associer une position dans l’espace aux mesures de rendement et donc de pouvoir générer des cartes de rendement.

Figure 4.  Technologies de cartographie du rendement dans une moissonneuse-batteuse (source : Kormann et al., 1998 ; Chung et al., 2017)

Caractéristiques des données de rendement intra-parcellaires

Le processus de collecte de données de rendement suit une dynamique temporelle, c’est-à-dire que les observations sont enregistrées dans un ordre précis, une à la fois, au fur et à mesure que la moissonneuse-batteuse avance dans la parcelle (figure 5). La machine peut être simplement modélisée par un élément structurant qui se déplace dans le champ, c’est-à-dire un rectangle dont les dimensions sont définies par les caractéristiques de la moissonneuse-batteuse et des capteurs embarqués associés (dans ce cas, le capteur de rendement).  Les mesures de rendement intra-parcellaire sont des observations ponctuelles et chaque point synthétise la réponse du rendement sur l’élément structurant correspondant.  La résolution spatiale des données de rendement est contrôlée par la distance entre deux enregistrements consécutifs et par la distance entre deux passages adjacents de la machine.  La distance spatiale entre les observations consécutives est liée à la vitesse de la machine et à la fréquence d’échantillonnage (ou temps de scrutation) du capteur. Dans une parcelle donnée, cette fréquence d’acquisition est généralement stable, ce qui signifie que la distance entre deux enregistrements consécutifs ne dépend que de la vitesse de déplacement de la moissonneuse-batteuse. La distance entre deux passages adjacents est liée quant à elle à la largeur de la barre de coupe.

Figure 5. Acquisition de données de rendement intra-parcellaire (points bleus) avec une moissonneuse-batteuse (source : Leroux et al., 2018a)

Ces observations sont donc réparties de façon irrégulière dans l’espace parce que (i) les distances intra-rang et inter-rang sont différentes et (ii) les conditions d’acquisition, telles que la précision du signal de positionnement GNSS ou les variations de vitesse de la moissonneuse, peuvent avoir un impact sur la répartition spatiale des observations, et (iii) certaines observations peuvent être manquantes (perte du signal de positionnement, carte mémoire pleine).  L’information de rendement est également très dense (des centaines à milliers de points par hectare) et très bruitée (c’est-à-dire que l’on peut observer des variations de rendement assez fortes entre observations proches). Ce bruit peut être dû à plusieurs facteurs comme par exemple :

• des erreurs ponctuelles dans le fonctionnement du capteur,
• la variabilité locale intrinsèque de la production (deux plantes côte à côte ne sont pas exactement identiques puisqu’on travaille avec du vivant) et,
• des erreurs associées au passage de la moissonneuse-batteuse dans le champ (Simbahan et al., 2004 ; Sudduth et Drummond, 2007). Nous y reviendrons dans un prochain post.

Néanmoins, les données de rendement intra-parcellaires présentent habituellement une structure spatiale assez forte, c’est-à-dire que les observations spatiales sont bien structurées dans les parcelles et que l’on peut avoir apparaitre des grands patrons de rendement de manière assez claire (Pringle et al., 2003). Comme la plupart des grandes cultures doivent être récoltées chaque année, il est probable que des bases de données historiques de cartes des rendements soient disponibles sur de nombreuses parcelles. Un point d’attention sur l’utilisation de données multi-temporelles de rendement : ces données peuvent ne pas être colocalisées dans l’espace (le capteur de rendement ne mesure pas le rendement exactement au même endroit chaque année)

Utilisation des données de rendement

Dans la communauté scientifique d’Agriculture de Précision, les données de rendement sont généralement utilisées pour (i) quantifier et caractériser la variabilité intra-parcellaire, (ii) établir une corrélation entre le rendement et une variable auxiliaire, et (iii) valider la pertinence d’une application de modulation. Et il faut dire qu’il n’est pas très compliqué de trouver des travaux de recherche qui utilisent un moment ou un autre ces données de rendement intra-parcellaires. Malgré tout, une récente étude de cartographie scientifique (une sorte de mind-map) a également montré que l’intérêt de la communauté scientifique d’agriculture de précision pour les cartes de rendement avait diminué entre les périodes 2000-2009 et 2010-2016 (Pallottino et al., 2017).

Quand on s’intéresse à l’utilisation des capteurs de rendement sur le terrain, c’est une autre paire de manches… On ne trouve déjà quasiment aucune statistique pour la France (c’est d’ailleurs pour ça que l’observatoire français des usages du numérique en France sortira prochainement une infographie sur le sujet). On trouve néanmoins des statistiques plus ou moins récentes pour un certain nombre de pays – autre que la France, dans des rapports techniques et de la bibliographie scientifique. Je vous invite à prendre ces statistiques avec un peu de recul !

Il faut d’abord être clair sur le fait que ces tendances d’utilisation varient beaucoup entre les pays (et parfois même régions) et les cultures suivies. Les agriculteurs américains ont peut-être été les premiers utilisateurs à s’engager dans ces technologies de cartographie des rendement (Griffin et al., 2004 ; Fountas et al., 2005). Ces auteurs ont trouvé qu’en 2005, environ 90 % des capteurs de rendement dans le monde se trouvaient aux États-Unis. Griffin et Erickson (2009) ont également fourni certains taux d’adoption tirés d’une enquête sur la gestion des ressources agricoles. Selon l’étude et les données disponibles, 28 % de la surface de maïs plantée aux États-Unis (en 2005), 10 % du blé d’hiver (en 2004) et 22 % du soja (en 2002) ont été récoltés avec une moissonneuse-batteuse équipée d’un capteur de rendement. Norwood et Fulton (2009) ont conclu dans leur étude que 32 % des agriculteurs américains utilisaient des systèmes de suivi du rendement. La figure 6 présente les résultats d’une autre étude portant sur l’adoption de systèmes de cartographie du rendement par culture aux États-Unis (Schimmelpfennig, 2016). Même si les estimations ne sont pas exactement les mêmes que celles données précédemment, les tendances sont globalement assez proches.  En ce qui concerne les cultures étudiées, il apparaît clairement que des cultures comme le maïs, le soja et le blé ont été de plus en plus suivies avec des capteurs de rendement par les agriculteurs depuis le début des années 2000. Compte tenu des tendances observées, on peut s’attendre à ce que l’adoption de ces technologies soit à nouveau plus importante lors des campagnes les plus récentes (2017, 2018, 2019…). Une étude plus récente a également indiqué que les exploitations rizicoles des États-Unis avaient largement adopté les technologies de cartographie de rendement, à hauteur de plus de 60 % (USDA, 2015).

Figure 6. Adoption des technologies de cartographie de rendement par culture aux États-Unis

Les taux d’adoption des capteurs de rendement ne sont pas aussi largement rapportés dans d’autres pays, mais certaines études nationales ont cherché à fournir des chiffres détaillés. Selon le ministère de l’Environnement, de l’Alimentation et des Affaires rurales, les agriculteurs anglais ont connu une légère augmentation de l’adoption des capteurs de rendement, qui est passée de 7 à 11 % entre 2009 et 2012 (DEFRA, 2013). En Australie, McCallum et Sargent (2008) ont signalé un très faible taux d’adoption des technologies de cartographie des rendements (moins de 1 %). Dans le même pays, on a estimé qu’environ 800 moniteurs de rendement avaient été utilisés pendant l’année de récolte 2000 (Mondal & Basu, 2009). Fountas et al. (2005) ont évalué qu’environ 400 agriculteurs danois, 400 britanniques, 300 suédois et 200 allemands avaient adopté les capteurs de rendement en 2000. En Argentine, Mondal et Basu (2009) ont signalé qu’environ 4 % des superficies de céréales et d’oléagineux avaient été récoltées par des moissonneuses-batteuses équipées de capteurs de rendements en 2001 (560 dispositifs de surveillance des rendements étaient utilisés). Selon Keskin et Sekerli (2016), environ 500 moissonneuses-batteuses (3 % dans tout le pays) sont équipées de systèmes de surveillance du rendement dans les exploitations turques.  Dans le même pays, Akdemir (2016) aurait trouvé que seules 310 moissonneuses-batteuses au lieu de 500 étaient équipées.

Avantages et limites des données de rendement intra-parcellaires

S’il est clair que l’adoption des capteurs de rendement est en augmentation, on peut s’interroger sur les facteurs et spécificités des données de rendement qui ont pu contribuer à une adoption aussi lente de ces technologies. Les données de rendement ont effectivement encore du mal à être un élément d’appui aux décisions prises sur une exploitation. Plusieurs problèmes ont été signalés par la communauté scientifique. Tout d’abord, il est clair que les patrons spatiaux de rendement sont le résultat de l’interaction entre les pratiques culturales, le climat et les conditions environnementales (sol, topographie, attaques de ravageurs, etc.) au cours de la saison. Cela signifie donc qu’il n’est pas possible d’établir directement des cartes de modulation pour une année n en se basant uniquement sur les données de rendement de l’année n-1. Deuxièmement, que ce soit pour les cultures annuelles et pérennes, il a été montré à plusieurs reprises que la variabilité temporelle du rendement était souvent plus forte que la variabilité spatiale du rendement, ce qui peut avoir un impact important sur l’analyse des cartes de rendement à court, moyen, et long terme (Blackmore et al., 2003 ; Bramley et Hamilton, 2004 ; Eghball et Power, 1995 ; Lamb et al., 1997). Cette variabilité temporelle est essentiellement due à des facteurs non stables, comme les régimes climatiques ou le type de cultures planté (Basso et al., 2012). De nombreux auteurs ont affirmé que le nombre d’années de données de rendement disponibles pour effectuer des analyses temporelles de rendement était critique (Bakhsh et al., 2000 ; Kitchen et al., 2005) et certains ont même tenté de proposer un nombre minimal d’années nécessaires pour obtenir des résultats fiables (Ping et Dobermann, 2005). A côté de ça, les données de rendement contiennent souvent des observations qui ne sont pas représentatives de l’itinéraire cultural de l’année. Ce ne sont pas des erreurs de rendement en elles-mêmes, mais ce sont des données qui sont biaisées notamment à cause du passage de la moissonneuse-batteuse dans la parcelle (c’est le sujet du prochain post).  D’un point de vue plus pratique, on peut aussi dire que les utilisateurs finaux ne peuvent obtenir l’information sur le rendement qu’à la fin de la saison de culture, ce qui pourrait constituer une limite en termes d’outil d’aide à la décision.

Cependant, du point de vue de l’agriculture de précision, ces données de rendement à haute résolution constituent une source d’information très précieuse qu’il serait vraiment aberrant de ne pas étudier (Florin et al., 2009). Les patrons spatiaux de rendement sont un élément d’information précieux pour mieux caractériser les sources de variabilité spatiale dans les parcelles. Connaître les évolutions spatiales et temporelles du rendement dans ses parcelles permet de prendre des décisions plus fines et plus objectives.  Il a été démontré que, malgré une forte variabilité temporelle, il était très souvent possible de détecter des motifs de rendement constants d’une année à l’autre (Kitchen et al., 2005 ; Taylor et al., 2007). Certains patrons de rendement restent même cohérents entre différentes cultures et dans des conditions climatiques variables. Les patrons de rendement dans l’espace peuvent fournir des renseignements pertinents sur les caractéristiques du sol dans les parcelles ou aider à décrire l’influence d’autres facteurs externes, comme les pratiques culturales et les conditions météorologiques (Diker et al., 2004). Par exemple, Taylor et al. (2007) ont montré que, sur certaines zones spécifiques dans leurs parcelles d’études, la gestion de la rotation des cultures des années précédentes avait entraîné des variations dans les patrons spatiaux de rendement. D’autres auteurs ont constaté que les zones à haut rendement les années sèches pouvaient être en même temps des zones à faible rendement les années humides, ce qui pourrait fournir des renseignements critiques sur les caractéristiques du sol dans les parcelles (Colvin et al., 1997 ; Sudduth et al., 1997 ; Taylor et al., 2007). Un autre avantage important de ces données de rendement reste leur accessibilité. Dans la plupart des cas, la récolte doit être faite, ce qui signifie que ces données peuvent être collectées chaque année une fois que les agriculteurs ont investi dans des capteurs de rendement et que, par conséquent, de grandes bases de données de cartographie des rendements peuvent être construites. Enfin, il faut rappeler que les données de rendement intra-parcellaire peuvent être liées à des données économiques sur les parcelles (chiffre d’affaire, marge brute…). En tant que telles, ces données apportent une information très compréhensible et pratique.

Comment valoriser des données de rendement ?

Sans rentrer dans le détail de tous les projets susceptibles d’être menés à partir de cartes de rendement, voici un petit aperçu de ce qui pourrait être fait. Certaines de ces idées ont été abordées dans le manuscrit de thèse que vous trouverez sur le site web. Certaines de ces idées sont plutôt opérationnelles, d’autres sont plutôt exploratoires. La liste n’est bien évidemment pas exhaustive !

• Spatialiser des modèles agronomiques à partir de données de rendement à haute résolution. Par exemple, un travail avait été abordé sur les plans de fumure P/K pour évaluer à quel point une information de rendement intra-parcellaire pouvait servir à affiner les plans de fumure, notamment en affinant les potentiels de rendement intra-parcellaires et les exportations P/K intra-parcellaires
• Spatialiser des cartes de performance/rentabilité économique sur les exploitations (ce sera l’objet d’un prochain post)
• Utiliser des séries temporelles de rendement pour mieux appréhender des potentiels de rendement et des « yield gap » intra-parcellaire. Ce travail a été abordé dans le cadre de la thèse
• Evaluer le potentiel d’actions de modulation dans une parcelle en calculant des indicateurs de variabilité spatiale. Ce travail a été abordé dans le cadre de la thèse
• Valider la pertinence d’expérimentations terrain
• Améliorer la connaissance du rendement à une échelle spatiale donnée (région, territoire…), pour une coopérative ou un silo qui souhaiterait s’approvisionner
• Utiliser les cartographies de rendement pour orienter les campagnes d’échantillonnage terrain
• Utiliser des séries temporelles de rendement pour améliorer la compréhension des facteurs limitants le rendement dans les parcelles. Des pistes ont été évoquées en discussion du manuscrit de thèse.
• Utiliser des séries temporelles de rendement pour évaluer le risque pour un agriculteur, de ne pas changer ses pratiques ou de ne pas s’engager dans des pratiques de modulation ou d’Agriculture de Précision. Des pistes ont été évoquées en discussion du manuscrit de thèse.
• ….

Une dernière petite pique pour les constructeurs

On vient de parler d’accessibilité des données de rendement ; parlons maintenant d’interopérabilité. Si vous commencez à travailler avec des données de rendement, vous vous rendrez très vite compte de la quantité impressionnante de formats de données fournis par les constructeurs…. Mais ce sont surtout des formats privés !! Si vous n’avez pas le logiciel propriétaire qui va avec, bon courage… Vous devrez alors développer des modules spécifiques pour arriver à les lire. Rajoutez à cela le fait que chaque constructeur mesure les variables qui l’intéressent, et que les unités de mesure sont différentes et vous vous arracherez assez vite les cheveux.

Constructeurs, si vous lisez ce post, rendez vos données accessibles dans un format ouvert, libre ou au moins standardisé !

Vous m’excuserez pour les références bibliographiques que je n’ai pas reclassé spécifiquement pour ce post… mais vous devriez pouvoir les retrouver sans problème =)

1. Acevedo-Opazo, C., Tisseyre, B., Guillaume, S., & Ojeda, H. (2008). The potential of high spatial resolution information to define within-vineyard zones related to vine water status. Precision Agriculture, 9, 285-302.
2. Adams, R., & Bischof, L.  (1994).  Seeded  Region  Growing. IEEE  Transactions  on  Pattern  Analysis  and Machine Intelligence, 16, 641-647
3. Akdemir, B. (2016).  Evalution  of  precision  farming  research  and  applications  in  Turkey. VII  International Scientific  Agriculture  Symposium  « Agrosym  2016 ».  6-9  October  2016,  Jahorina,  Bosnia and  Herzegovina. Proceedings Book. pp.1498-1504.
4. Angiulli, F., Fassetti, F., & Palopoli,  L. (2009). Detecting  outlying properties of exceptional objects. ACM Transactions on Database Systems, 34, 1, 1-7.
5. Angiulli, F., Fassetti, F., & Palopoli, L. (2012). Discoverying characterizations of the behavior of outlier sub -populations. IEEE Transactions on Knowledge and Data Engineering, 25, 1280-1292
6. Arslan, S., &  Colvin,  T.  (2002 ).  Grain  yield  mapping :  yield  sensing,  yield  reconstruction,  and  errors. Precision Agriculture, 3, 135-154
7. Arslan, S. (2008). A Grain Flow Model to Simulate Grain Yield Sensor Response. Sensors, 8, 952–962.
8. Arun, P.V. (2013). A comparative analysis of different DEM interpolation methods. The Egyptian Journal of Remote Sensing and Space Science, 16, 2, 133-139.
9. Baluja, J., Diago, M.,  Goovaerts,  P.,  &  Tardaguila,  J.  (2012 ).  Assessment  of  the  spatial  variability  of anthocyanins  in  grapes  using  a  fluorescence  sensor:  relationships  with  vine  vigour  and  yield. Precision Agriculture, 13, 457–472.
10. Bakhsh, A., Jaynes, D.B., Colvin, T.S., & Kanxar, R.S. (2000). Spatio-temporal analysis of yield variability for a corn-soybean field in Iowa. Agricultural and Biosystems Engineering, 43, 31-38.
11. Barnaghi, P., Sheth, A., & Henson C. (2013 ) “From data to actionable knowledge: Big data challenges in the web of things,” Intelligent Systems, IEEE, 28, 6–11, 2013.
12. Basso, B., Bertocco, M., Sartori, L., & Martin, E.C. (2007 ). Analyzing the effects of climate variability on spatial pattern of yield in a maize–wheat–soybean rotation. European Journal of Agronomy, 26, 82–91.
13. Basso, B., Fiorentino,  C.,  Cammarano,  D.,  Cafiero,  G.,  &  Dardanelli,  J.  (2012 ).  Analysis  of  rainfall distribution on spatial and temporal patterns of wheat yield in Mediterranean environment. European Journal of Agronomy, 41, 52-65.
14. Basso, B., B. Dumont, D. Cammarano, A. Pezzuolo, F. Marinello, & L. Sartori. (2016 ). Environmental and economic benefits of variable  rate  nitrogen  fertilization  in  a  nitrate  vulnerable  zone .  Science  of  the  Total Environment. 545–546, 227–235
15. Bellehumeur, C., Legendre, P., & Marcotte, D. (1997). Variance and spatial scales in a tropical rain forest: changing the size of sampling units. Plant Ecology, 130, 89-98.
16. Ben-Gal, I. (2005 ). Outlier Detection. The Data Mining and Knowledge Discovery Handbook: A Complete Guide for Practitioners and Researchers. Boston: Kluwer Academic Publishers.
17. Berducat, M., Boffety, D. (2000). Gestion de l’information parcellaire – cartographie du rendement à la récolte. Ingénieries – E A T, IRSTEA édition 2000, p. 53 – p. 62
18. Beyer, K., Goldstein,  J.,  Ramakrishnan,  R.,  &  Shaft,  U.  (1999).  When  is  nearest  neighbor  meaningful ?  In Proceedings of the 7 th ICDT, Jerusalem, Israel.
19. Bivand R.S., Pebesma, E.J., & Gomez-Rubio, V. (2008). Applied Spatial Data Analysis with R. New York, NY: Springer
20. Blackmore, B. S., & Moore, M. (1999). Remedial correction of yield map data. Precision Agriculture, 1, 53 – 66.
21. Blackmore, S., Godwin, R.J., & Fountas, S. (2003 ). The analysis of spatial and temporal trends in yield map data over six years. Biosystems Engineering. 84, 455-466.
22. Bongiovanni, B. and  Lowenberg-Deboer,  J.  (2004).  Precision  agriculture  and  sustainability. Precision Agriculture, 5, 359_387.
23. Bongiovanni, R.G., Robledo,   C.W.,   &   Lambert,   D.M.   (2007).   Economics   of   site-specific   nitrogen management for protein content in wheat. Computers and Electronics in Agriculture, 58, 13–24.
24. Bramley, R.G.V., & Hamilton,  R.P.  (2004).  Understanding  variability  in  winegrape  production  systems. Australian Journal of Grape and Wine Research, 10, 32–45
25. Bramley, R.G., Hill, P.A., Thorburn, P.J., Kroon, F.J., & Panten, K (2008 ). Precision agriculture for improved environmental outcomes: some Australian perspectives. Agriculture Forest Research, 3, 161–178.
26. Breunig, M.M., Kriegel, H.P., Ng, R.T., & Sander, J. (2000). Lof: identifying density-based local outliers. In Proceedings of 2000 ACM SIGMOD International Conference on Management of Data. ACM Press, pp. 93 – 104
27. Cambardella, C.A., Moorman, T.B., Novak, J.M., Parkin, T.B., Karlen, D.L., Turco, R.F. et al. (1994). Field -scale variability of soil properties in central Iowa soils. Soil Science Society of America Journal, 58, 1501 – 1511.
28. Cambardella, C. A.,  &  Karlen,  D.  L.  (1999). Spatial  analysis  of  soil  fertility  parameters. Precision Agriculture, 1, 5-14.
29. Cao, Q., Cui,  Z.,  Chen,  X.,  Khosla,  R.,  Dao,  T.H.,  &  Miao,  Y.  (2012 ).  Quantifying  spatial  variability  of indigenous nitrogen management in small scale farming. Precision Agriculture, 13, 45–61.
30. Cassman, K. G. (1999 ). Ecological intensification of cereal production systems: yield potential, soil quality, and precision agriculture. Proceedings of the National Academy of Sciences of the United States of America , 96, 5952–5959
31. Cerovic, Z.G., Goutouly,  J.P.,  Hilbert,  G.,  Destrac-Irvine,  A.,  Martinon,  V.,  &  Moise,  N.  (2009 )  Mapping winegrape quality attributes using portable fluorescence-based sensors. In: Best S (ed) Progap INIA, FRUTIC 09, Conception, Chile, pp 301–310
32. Chen, D., Lu, C-T., Kou, Y. & Chen, F. (2008). On Detecting Spatial Outliers. Geoinformatica, 12, 455-475
33. Chung, S. O., Sudduth, K. A., & Drummond, S. T. (2002 ). Determining Yield Monitoring System Delay Time With Geostatistical and Data Segmentation Approaches. Transactions of the ASAE, 45, 915-926.
34. Chung, S.O., Choi,  M.C.,  Lee,  K.H,  Kim,  Y.J,  Hong,  S.J.,  Li,  M.  (2016 ).  Sensing  Technologies  for  Grain Crop Yield Monitoring Systems: A Review. Journal of Biosystems Engineering, 41, 408-417.
35. Cid-Garcia, N.M., Albornoz, V., Rios-Solis, Y.A., & Ortega, R. (2013 ). Rectangular shape management zone delineation using integer linear programming. Computer and Electronics in Agriculture, 93, 1–9.
36. Clifford, P., Richardson,  S.,  &  Hemon,  D.  (1989 ).  Testing  the  association  between  two  spatial  processes. Biometrics, 45, 123–134.
37. Collins, E.D., & Chandrasekaran, K. (2012 ). A Wolf in Sheep’s Clothing? An Analysis of the ‘Sustainable Intensification’ of Agriculture (Friends of the Earth International, Amsterdam, 2012)
38. Colvin, T.S., Jaynes, D.B., Karlen, D.L., Laird, D.A., & Ambuel, J.R. (1997 ). Yield variability within a central Iowa field. Transactions of the ASAE, 40, 883–889.
39. Comifer (2007 ). Teneur en P, K et Mg des organes végétaux récoltés pour les cultures de plein champ et les principaux fourrages, Comifer, Paris, 6 pages.
40. Cox, S. (2002). Information technology : the global key to precision agriculture and sustainability. Computers and Electronics in Agriculture, 36, 93-111.
41. Cressie, N. A., (1991). Statistics for Spatial Data. John Wiley & Sons, New York.
42. Cressie, N. (1996). Change of support and the modifiable areal unit proble. Geographical Systems, 3, 159 – 180
43. Dale, M.R.T, & Fortin, M.J. (2002). Spatial autocorrelation and statistical tests in ecology. Eco Science , 9, 162-167
44. Davatgar, N., Neishabouri, M.R., & Sepaskhah, A.R. (2012 ). Delineation of site specific nutrient management zones for a paddy cultivated area based on soil fertility using fuzzy clustering. Geoderma, 173–174, 111–118.
45. Debuisson, S., Germain,  C.,  Garcia,  O.,  Panigai,  L.,  Moncomble,  D.,  Le  Moigne,  et  al. (2010 ).  Using Multiplex® and Greenseeker™ to manage spatial variation of vine vigor in Champagne. 10th International Conference on Precision Agriculture.
46. de Oliveira, R. P., Whelan, B. M., McBratney, A. B., & Taylor, J. A. (2007 ). Yield variability as an index supporting  management  decisions:  YIELDex. Proceedings  of  the  6th  European  Conference  on  Precision Agriculture, 281–288.
47. DEFRA (2013). Farm  Practices  Survey  Autumn  2012 – England. Department  for  Environment,  Food  and Rural Affairs (DEFRA). 41pp.
48. Di Virgilio, N.,  Monti,  A.,  &  Venturi,  G.  (2007). Spatial  variability  of  switchgrass  (Panicum  virgatum  L.) yield as related to soil parameters in a small field. Field Crops Research, 101, 232-239.
49. Diker, K., D.F. Heerman, & M.K. Brodahl. (2004 ). Frequency analysis of yield for delineating yield response zones. Precision Agriculture, 5, 435–444.
50. Drummond, S. T., Fraisse, C. W., & Sudduth, K. A. (1999 ). Combine Harvest Area Determination by Vector Processing of GPS Position Data. Transactions of the ASAE, 42, 1221–1227.
51. Duan, L., Xu, L., Guo, F., Lee, J., & Yan, B. (2007). A local-density based spatial clustering algorithm with noise. Information Systems, 32, 978–986
52. Duan L., Tang, G., Pei, J., Bailey, J., Campbell, A., & Tang, C. (2015 ). Mining outlying aspects on numeric data. Data Mining Knowledge Discovery, 29, 1116–1151
53. Dutilleul, P. (1993).  Modifying  the  t-test  for  assessing  the  correlation  between  two  spatial  processes. Biometrics, 49, 305–314.
54. Eghball, B., Power,  J.F.  (1995). Fractal  description  of  temporal  yield  variability  of  10  crops  in  the  United States. Agronomy Journal, 87, 152-156.
55. Ertoz, L., Eilertson, E., Lazarevic, A., Tan, P., Srivastava, J., Kumar, V., & Dokas, P. (2004). The MINDS – Minnesota Intrusion Detection System, in Data Mining, A. Joshi H. Kargupta, K. Sivakumar, and Y. Yesha (Eds.) Next Generation Challenges and Future Directions.
56. Ester, M., Kriegel, H.-P., Sander, J., & Xu, X. (1996). A density-based algorithm for discovering clusters in large spatial databases  with  noise.  In  E.  Simoudis,  J.  Han,  and  U.  Fayyad  (Eds.), Proceedings  of  Second International Conference on Knowledge Discovery and Data Mining , Palo Alto, CA, USA: AAAI Press, pp 226–231.
57. European Parliamentary Research Service (2016 ). Precision Agriculture and the Future of Farming in Europe, STOA, Brussels, European Union.
58. EU SCAR. (2012). Agricultural knowledge and innovation systems in transition. Brussels: EU.
59. Fairfield Smith, H. (1938). An empirical law describing heterogeneity in the yield of agricultural crops. The Journal of Agricultural Science, 28, 1–23.
60. FAO (2017). The future of food and agriculture. http://www.fao.org/3/a-i6644e.pdf (accessed 05/06/2018)
61. Fauvel, M., Chanussot, J.,  &  Benediktsson,  J.A.  (2011).  A  spatial–spectral  kernel-based  approach  for  the classification of remote-sensing images. Pattern Recognition, 45, 381-392.
62. Fauvel, M., Tarabalka, Y., Benediktsson, J.A., Chanussot, J., & Tilton, J. (2012). Advances in Spectral-Spatial Classication of Hyperspectral  Images. Proceedings  of  the  IEEE,  Institute  of  Electrical  and  Electronics Engineers, 101, 652-675.
63. Filzmoser, P., Ruiz-Gazen,   A.,   &   Thomas-Agnan,   C.   (2014). Identification   of   local   multivariate outliers. Statistical Papers, 55, 29-47.
64. Florin, M.J., McBratney,  A.B.,  &  Whelan,  B.M.  (2009 ).  Quantification  and  comparison  of  wheat  yield variation across space and time. European Journal of Agronomy, 30, 212-219.
65. Fountas, S., Pedersen, S.M., & Blackmore, S. (2005). ICT in Precision Agriculture – diffusion of technology. In « ICT in Agriculture: Perspectives of Technological Innovation » edited by E. Gelb, A. Offer. 15pp.
66. Fraisse, C.W., Sudduth,  K.A.,  Kitchen,  N.R.  (2001).  Delineation  of  site-specific  management zones  by unsupervised  classification  of  topographic  attributes  and  soil  electrical  conductivity. Transactions  of  the ASAE, 44, 155-166.
67. Fulton, J.P., Shearer,  S.A., Chabra,  G.,  &  Higgins,  S.F.  (2001 ).  Performance  assessment  and  model development of a variable-rate, spinner-disc fertilizer applicator. Transactions of the ASAE, 44, 1071-1081.
68. Fulton, J. P., Shearer, S.A., Higgins, S.F., Darr, M.J., & Stombaugh, T.S. (2005 ). Rate response assessment from various granular VRT applicators. Transactions of the ASAE, 48, 2095‐2103.
69. Garnett, T., Appleby,  M.  C.,  Balmford,  A.,  Bateman,  I.  J.,  Benton,  T.  G.,  Bloomer,  P.,  et  al.  (2013 ). Sustainable intensification in agriculture: Premises and policies. Science, 341, 33–34.
70. Gogoi, P, Bhattacharyya D, Borah B, & Kalita JK (2011 ). A survey of outlier detection methods in network anomaly identification. Computer Journal, 54, 570–88.
71. Goldman Sachs (2016). Precision Farming. Cheating Malthus with Digital Agriculture. Profiles in Innovation.
72. Goovaerts P. (1997). Geostatistics for Natural Ressources Evaluation, Applied Geostatistics Series, Oxford University Press, New York.
73. Grassini, P., van Bussel, L.G.J., van Wart,  J., Wolf, J., Claessens,  L., Yang, H. et al. (2015 ). How  good is good  enough?  Data  requirements  for  reliable  crop  yield  simulations  and  yield-gap  analysis. Field  Crops Research, 177, 49-63.
74. Griepentrog, H.W., Thiessen, E., Kristensen, H. & Knudsen, L. (2007). A patch-size index to assess machinery to match soil and crop spatial variability. In Proceedings: 6th European Conference on Precision Agriculture.
75. Griffin, T.W., Lowenberg-Deboer,  J.,  Lambert,  D.M.,  Peone,  J.,  Payne,  T.,  &  Daberkow,  S.G.  (2004 ). Adoption, profitability, and making better use of precision farming data. Staff Paper #04-06. Department of Agricultural Economics, Purdue University.
76. Griffin, T., Dobbins,  C.,  Vyn,  T.,  Florax,  R.,  &  Lowenberg-DeBoer,  J.  (2008 ).  Spatial  analysis  of  yield monitor data: case studies of on-farm trials and farm management decision making. Precision Agriculture , 9, 269–283
77. Griffin, T. & Erickson, B. (2009 ). Adoption and Use of Yield Monitor Technology for U.S. Crop Production. Site Specific Management Center Newsletter, Purdue University, 9pp.
78. Grisso, R., Alley, M. & Groover, G. (2009). Precision Farming Tools: GPS Navigation. Virginia Cooperative Extension. Publication No 442-501. 7pp.
79. Han, S., J.W.  Hummel,  C.E.  Goering,  &  M.D.  Cahn.  (1994).  Cell  size  selection  for  site-specific  crop management. American Society of Agricultural and Biological Engineers, 37, 19–26.
80. Haralick, R.M., Shanmugam,  K.,  &  Dinstein,  I.  (1973).  Texture  features  for  image  classification, IEEE Transactions on Systems, Man and Cybernetics, 3, 610-621.
81. Harris, P., Brunsdon, C., Charlton, M., Juggins, S., & Clarke, A. (2014 ). Multivariate Spatial Outlier Detection Using Robust Geographically Weighted Methods. Math Geosciences, 1–31.
82. Hawkins, D. (1980). Identification of Outliers, London, UK: Chapman & Hall
83. Hu, J., Gong C., & Zhang Z. (2012) Dynamic Compensation for Impact-Based Grain Flow Sensor. In: Li D., Chen Y. (eds)  Computer  and  Computing  Technologies  in  Agriculture  V.  CCTA  2011.  IFIP  Advances  in Information and Communication Technology, vol 370, 210-216, Berlin, Heidelberg, Germany: Springer
84. Hubert, M., & Van der Veeken, S. (2008). Outlier detection for skewed data. Journal of Chemometrics , 22, 235–246
85. Iqbal, J., Thomasson, J.A., Jenkins, J.N., Owens, P.R & Whisler, F.D. (2005 ). Spatial Variability Analysis of Soil Physical Properties of Alluvial Soils. Soil Science Society of America, 69, 1-14.
86. Jingtao, Q., &  Shuhui,  Z.  (2010).  Experiment  research  of  impact-based  sensor  to  monitor  corn  ear  yield. International Conference on Computer Application and System Modeling, IEEE, 101, 187–192.
87. Jones, H., Guillaume,  S.,  Loisel,  P.,  Charnomordic,  B.,  &  Tisseyre,  B.  (2016). Generation  of  Plateau -Approximated Fuzzy Zones. In Proceedings of the Conference on Spatial Accuracy, Montpellier, France.
88. Journel, A. G., & Huijbregts, C. J. (1978). Mining geostatistics. Academic Press, London, England.
89. Junior, V.V., Carvalh, M.P., Dafonte, J., Freddi, O.S., Vidal Vazquez, E., & Ingaramo, O.E. (2006 ). Spatial variability of soil water content and mechanical resistance of Brazilian ferralsol. Soil and Tillage Research , 85, 166–177.
90. Keskin, M., & Sekerli, Y.E. (2016 ). Awareness and adoption of precision agriculture in the Cukurova region of Turkey. Agronomy Research, 14, 1307–1320.
91. Kitchen, N.R., Sudduth, K.A., Myers, D.B., Drummond, S.T., & Hong, S.Y. (2005). Delineating productivity zones on claypan  soil  fields  using  apparent  soil  electrical  conductivity. Computers  and  Electronics  in Agriculture, 46, 285-308
92. Knorr E. M., & Ng R. T. (1999). Finding Intensional Knowledge of Distance-based Outliers. In Proceeding s of the 25th International Conference on Very Large Data Bases, Edinburgh, Scotland, pp. 211-222
93. Koch, B., Khosla, R., Frasier, W.M., Westfall, D.G., & Inman, D. (2004). Economic feasibility of variable -rate nitrogen application utilizing site-specific management zones. Agronomy Journal, 96, 1572–1580
94. Kormann, G., Demmel,  M.,  &  Auernhammer,  H.  (1998). Testing  stand  for  yield  measurement  systems  in combine harvesters. ASAE;St. Joseph, MI: 1998. ASAE Paper No. 983102.
95. Kravchenko, A.N., Robertson, G.P., Thelen, K.D., & Harwood, R.R. (2005). Management, topographical, and weather eff ects on spatial variability of crop grain yields. Agronomy Journal, 97, 514–523.
96. Lachia, N. (2017 ). Usages  de  la  télédétection  en  agriculture.  Observatoire  des  usages  de  l’agriculture numérique. http://agrotic.org/observatoire/
97. Lamb, J.A., Dowdy, R.H., Anderson, J.L., & Rehm, G.W. (1997). Spatial and temporal stability of corn grain yields. Journal of Production Agriculture, 10, 410-414.
98. Larson, J.A., M.M.  Velandia,  M.J.  Buschermohle,  &  S.M.  Westland  (2016 ).  Effect  of  field  geometry  on profitability of automatic section control for chemical application equipment. Precision Agriculture, 17, 18 – 35.
99. Lauzon, J.D., Fallow, D.J., O’Halloran, I.P., Gregory, S.D.L., & von Bertoldi, A.P. (2005 ). Assessing the temporal stability of spatial patterns in crop yields using combine  yield monitor data. Canadian Journal of Soil Science, 439-451.
100. Lee, D. H., Sudduth, K. A., Drummond, S. T., Chung, S. O., & Myers, D. B. (2012 ). Automated yield map delay identification using phase correlation methodology. Transactions of the ASABE, 55, 743–752.
101. Legendre, P. & L. Legendre (1998). Numerical Ecology, 2nd English edition. Elsevier, Amsterdam.
102. Leroux, C., Jones,  H.,  Clenet,  A.,  &  Tisseyre,  B.  (2017a). A  new  approach  for  zoning  irregularly-spaced, within-field data. Computers and Electronics in Agriculture, 141, 196-206.
103. Leroux, C., Jones, H., Clenet, A., Dreux, B., Becu, M., & Tisseyre, B. (2017b). Simulating yield datasets: an opportunity to improve da ta filtering algorithms. In J A Taylor, D Cammarano, A Preashar, A Hamilton (Eds.), Proceedings of the 11th European Conference on Precision Agriculture, Precision Agriculture ’17 (Advances in Animal Biosciences, 8, 600-605.
104. Leroux, C., Jones,  H.,  Clenet, A.,  &Tisseyre,  B.  (2018a). A  general  method  to  filter  out  defective  spatial observations from yield mapping datasets. Precision Agriculture. https://doi.org/10.1007/s11119-017-9555-0
105. Leroux, C., Jones, H., Taylor, J, Clenet, A., & Tisseyre, B. (2018b). A zone-based approach for processing and interpreting variability in multitemporal yield data sets. Computers and Electronics in Agriculture, 148, 299-308. https://doi.org/10.1016/j.compag.2018.03.029
106. Li, Y., Shi, Z., Li, F., & Li, H.Y. (2007). Delineation of site-specific management zones using fuzzy clustering analysis in a coastal saline land. Computer and Electronics in Agriculture, 56, 174–186
107. Lindblom, J., Lundström,  C.,  Ljung,  M.,  &  Jonsson,  A.  (2016 ).  Promoting  sustainable  intensifcation  in precision agriculture: Review of decision support systems development and strategies. Precision Agriculture , 18, 309–331.
108. Loisel, P., Jones, H., Charnomordic, B., & Tisseyre, B. (2018). An optimisation-based approach to generate intepretable within-field zones. Precision Agriculture, https://doi.org/10.1007/s11119-018-9584-3
109. López-Granados, F., Jurado-Expósito,  M.,  Atenciano,  S., García-Ferrer,  A.,  Sánchez  de  la  Orden,  M.,  & García-Torres,  L.  (2002). Spatial  variability  of  agricultural  soil  parameters  in  southern  Spain. Plant  and Soil, 246, 97-105.
110. López-Granados, F., Jurado-Expósito,  M.,  Alamo,  S.,  &  Garcıa-Torres,  L.  (2004).  Leaf nutrient  spatial variability and site-specific fertilization maps within olive (Olea europaea L.) orchards. European Journal of Agronomy, 21, 209-222.
111. Lu, C.-T., Chen, D., & Kou, Y. (2003). Algorithms for spatial outlier detection . In X.Wu, A. Tuzhilin, and J. Shavlik (Eds.) Proceedings of the Third IEEE International Conference on Data Mining , Los Alamitos, CA, USA: IEEE Press, pp 597-600.
112. Lyle, G., Bryan,  B.,  &  Ostendorf,  B.  (2013).  Post-processing  methods  to  eliminate  erroneous grain  yield measurements: review and directions for future development. Precision Agriculture, 15, 377-402.
113. Maine, N., Nell,  W.T.,  Lowenberg-DeBoer,  J.,  &  Alemu,  Z.G. (2010) Economic  Analysis  of  Phosphorus Applications under Variable and Single-Rate Applications in the Bothaville District, Agrekon, 46, 532-547
114. Maini, R., &  Aggarwal,  H.  (2009 ).  Study  and  Comparison  of  Various  Image  Edge  Detection  Techniques. International Journal of Image Processing, 3, 1-11.
115. Marques, H.O., Campello,  R.J.,  Zimek,  A.,  Sander,  J.  (2015 ).    On  the  internal  evaluation  of  unsupervised outlier detection. In Proceedings of the 27th International Conference on Scientific and Statistical Database Management (SSDBM ’15), Amarnath Gupta and Susan Rathbun (Eds.), ACM, New York, NY, USA, 12 pp
116. Marques da Silva,  J.R.  (2006). Analysis  of  the  Spatial  and  Temporal  Variability  of  Irrigated  Maize  Yield. Biosystems Engineering, 94, 337–349
117. Massey, R.E., Myers, D.B., Kitchen, N.R., & Sudduth, K.A. (2008). Profitability maps as an input for site -specific management decision making. Agronomy Journal, 100, 52-59.
118. Matheron, G. (1963). Principles of geostatistics. Economic Geology, 58, 1246–1266
119. McCallum, M., & Sargent, M. (2008). The Economics of adopting PA technologies on Australian farms. 12th Annual Symposium on  Precision  Agriculture  Research  &  Application  in  Australasia. The  Australian Technology Park, Eveleigh, Sydney. 19 September 2008. p.44-47.
120. McBratney, A. & Taylor, J. (2000 ). PV or not PV? In Proceedings of the  5th International Symposium on Cool Climate Viticulture and Oenology, Melbourne, Australia.
121. McBratney, A., Whelan,  B.,  Ancev,  T.,  & Bouma,  J.  (2005).  Future  directions  of  precisi on  agriculture. Precision Agriculture, 6, 7-23.
122. Mehnert, A., & Jackway, V. (1997). Improved seeded region growing algorithm. Pattern Recognition , Letters 18, 1065–1071.
123. Mercer, W. B., & Hall, A. D. (1911). The experimental error of field trials. Journal of Agricultural Science, 4, 107–132.
124. Molin, J.P. (2002 ).  Methodology  for  identification,  characterization  and  removal  of  errors  on  yield  maps. ASAE Annual International Meeting, Chicago, Proceedings, Illinois.
125. Molin, J.P., & Faulin, G.D.C. (2002). Spatial an d temporal variability of soil electrical conductivity related to soil moisture. Scientia Agricola, 70, 1-5.
126. Molin, J. P., Menegatti, L.A.A, Pereira, L.L., Cremonini, L.C., & Evangelista, M. (2002 ). Testing a fertilizer spreader with VRT. In  Proceedings  of the  World  Congress  of  Computers  in  Agriculture  and  Natural Resources, 232-237
127. Mondal, P., &  Basu,  M.  (2009 ).  Adoption  of  precision  agriculture  technologies  in  India  and  in  some developing countries: Scope, present status and strategies. Progress in Natural Science, 19, 659–666
128. Monsó, A., Arnó, J., & Martínez-Casasnovas, J.A. (2013). A simplified index to assess the opportunity for selective wine grape harvesting from vigour maps. Proceedings of the 9th European Conference on Precision Agriculture, 625-32
129. Moral F.J., Terron  J.M.,  Marques  da  Silva,  J.R.  (2010). Delineation  of  management  zones  using  mobile measurements  of  soil  electrical  conductivity  and  multivariate  geostatistical  techniques. Soil  &  Tillage Research, 106, 335–343
130. Norwood, S. & Fulton, J. (2009). GPS/GIS Applications for Farming Systems. Alabama Farmers Federation Commodity Organizational Meeting, USA.
131. Noyel, G., Angulo, J., Jeulin, D. (2007). Morphological segmentation of hyperspectral images. Image Analysis and Stereology, 26, 101-109.
132. Oliver, M.A., Webster, M. (1989 ). A geostatistical basis for spatial weighing in  multivariate  classification, Mathematical Geology, 21, 15-35.
133. Oliver, M. A. (2010). Geostatistical Applications for Precision Agriculture, Springer, London, UK, 295 pp.
134. Oliver, Y.M., & Robertson, M.J. (2013 ). Quantifying the spatial pattern of the yield gap within a farm in a low rainfall Mediterranean climate. Field Crops Research, 150, 29-41.
135. Özgöz, E., Günay,  H.,  Önen,  H.,  Bayram,  M.,  &  Acir,  N.  (2012 ).  Effect  of  management  on  spatial  and temporal distribution of soil physical properties. Journal of Agricultural Sciences, 18, 77–91.
136. Pal, N.R., & Pal, S.K. (1993). A review on image segmentation techniques. Pattern Recognition, 26, 1277 – 1294.
137. Pallottino, F., Biocca, M., Nardi, P., Figorilli, S., Menesatti, P., & Costa, C. (2017). Science mapping approach to analyze the research evolution   on precision   agriculture:   world,   EU   and Italian   situation. Precision Agriculture, https://doi.org/10.1007/s11119-018-9569-2
138. Paoli J. N., Tisseyre B., Strauss O., & McBratney A.B. (2010 ). A technical opportunity index based on a fuzzy footprint of the machine for site-specific management: application to viticulture. Precision Agriculture, 11(4) , 379-396.
139. Pedroso, M., Taylor, J., Tisseyre, B., Charnomordic, B., & Guillaume, S. (2010 ), A segmentation algorithm for the delineation of management zones, Computer and Electronics in Agriculture, 70, 199–208.
140. Peralta, N.R., Costa, J.L., Balzarini, M., Franco, M.C., Córdoba, M., & Bullock, D. (2015 ). Delineation of management zones to improve nitrogen management of wheat, Computer and Electronics in Agriculture . 110, 103–113.
141. Pham, D.L., Xu, C.Y., & Prince, J.L. (2000 ) A survey of current methods in  medical  image  segmentation. Annual review of biomedical engineering, 315–337.
142. Ping, J.L., & Dobermann, A. (2003). Creating spatially contiguous yield classes for site-specific management. Agronomy Journal, 95, 1121–1131
143. Ping, J.L, & Dobermann, A. (2005). Processign of yield map data. Precision Agriculture, 6, 193-212.
144. Pringle, M. J., McBratney, A. B., Whelan, B. M., & Taylor, J. A. (2003 ). A preliminary approach to assessing the opportunity for site-specific crop management in a field, using a yield monitor. Agricultural Systems, 76, 273–292.
145. R Core Team (2013) R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna,  Austria.
146. Rab, M.A., Fisher, P.D., Armstrong, R.D., Abuzar, M., Robinson, N.J., & Chandra, S. (2009 ). Advances in precision agriculture in south-eastern Australia. IV. Spatial variability in plant-available water capacity of soil and its relationship with yield in site-specific management zones. Crop and Pasture Science, 60, 885-900
147. Reinke, R., Dankowicz, H., Phelan, J., & Kang, W. (2011 ). A dynamic grain flow model for a mass flow yield sensor on a combine. Precision Agriculture, 12, 732–749
148. Reitz, P., &  H.  D.  Kutzbach  (1996 ).  Investigations  on  a  particular  yield  mapping  system  for  combine harvesters. Computers and Electronics in Agriculture, 14, 137–150.
149. Reza, S.K., Sarkar, D., Baruah, U., & Das, T.H. (2010 ) Evaluation and comparison of ordinary kriging and inverse distance weighting methods for prediction of spatial variability of some chemical parameters of Dhalai district, Tripura. Agropedology, 2, 38–48
150. Robert, P. C.  (1993 ).  Characterisation  of  soil  conditions  at  the  field  level  for  soil  specific  management. Geoderma 60, 57–72.
151. Robert, P. C. (1999). Precision agriculture: research needs and status in the USA. In: Precision Agriculture, 99 Proceedings of the 2nd European Conference on Precision Agriculture, edited by J. V. Stafford (Sheffield Academic Press, Sheffield, UK), Part 1, p. 19–33.
152. Robertson, G.P., Klingensmith, K.M., Klug, M.J., Paul, E.A., Crum, J.R., & Ellis B.G. (1997 ). Soil resources, microbial activity, and primary production across an agricultural ecosystem. Ecological Applications, 7, 158 – 70
153. Robertson, M., Lyle, G.,  &  Bowden,  J.  W.  (2008).  Within-field  variability  of  wheat  yield  and  economic implications for spatially variable nutrient management. Field Crops Research, 105, 211-220.
154. Robinson, T. P., & Metternicht, G. (2005). Comparing the performance of techniques to improve the quality of yield maps. Agricultural Systems, 85, 19–41
155. Rodeghiero, M., &   Cescatti,   A.   (2008 ).   Spatial   variability   and   optimal   sampling   strategy   of   soil respiration. Forest Ecology and Management, 255, 106-112
156. Roland Berger Strategy Consultants (2016 ). Business opportunities in Precision Agriculture: Will Big Data feed the world  in  the  future  ? https://www.rolandberger.com/de/Publications/pub_precision_farming.html  (accessed on 05/06/2018)
157. Roudier, P., Tisseyre,  B.,  Poilvé,  H.,  &  Roger,  J.  (2008). Management  zone  delineation  using  a  modified watershed algorithm. Precision Agriculture, 9, 233–250.
158. Roudier, P., Tisseyre,  B.,  Poilvé,  H.,  &  Roger,  J.  (2011). A  technical  opportunity  index  adapted  to  zone specific management. Precision Agriculture, 12, 130–145.
159. Röver, M., & Kaiser, E. A. (1999). Spatial heterogeneity within the plough layer: low and mod erate variability of soil properties. Soil Biology and Biochemistry, 31, 175-187.
160. Sadras, V. & Bongiovanni, R. (2004 ). Use of Lorenz curves and Gini coefficients to assess yield inequality within paddocks. Field Crops Research, 90, 303–310
161. Santesteban, L. G., Guillaume,  S.,  Royo,  J.  B.,  &  Tisseyre,  B.  (2013 )  Are  precision  agriculture  tools  and methods relevant at the wholevineyard scale? Precision Agriculture, 14, 2–17.
162. Sawant, K. (2014).  Adaptive  methods  for  determining  DBSCAN  parameters. International  Jou rnal  of Innovative Science, Engineering & Technology, 1, 330-334
163. Say, M., Keskin,  M.,  Sehri,  M.,  &  Sekerli,  Y.E.  (2017 ).  Adoption  of  precision  agriculture  technologies  in developed and developing countries. International Science and Technology Conference, July 17-19, Berlin
164. Schimmelpfennig, David (2016).  Farm  Profits  and  Adoption  of  Precision  Agriculture.  No.  249773. United States Department of Agriculture, Economic Research Service.
165. Schueller, J. K. (1997). Technology for precision agriculture. In J.V. S tafford (Ed.), Precision Agriculture’ 97(pp. 19–33). Oxford, UK: BIOS Scientific Publishers.
166. Serrano, J.M., Peça, J.O., Marques da Silva, J. R., & Shahidian, S. (2010). Mapping soil and pasture variability with an electromagnetic induction sensor. Computers and Electronic in Agriculture, 73, 1, 7–16.
167. Shahandeh, H., Wright,  A.L.,  Hons,  F.M.,  &  Lascano,  R.J.  (2005 ).  Spatial  and  temporal  variation  of  soil nitrogen parameters related to soil texture and corn yield. Agronomy Journal, 97, 772–782
168. Shockley, J. M., Dillon, C. R., & Stombaugh, T. S. (2011 ). A whole farm analysis of the influence of autosteer navigation on net returns, risk, and production practices. Journal of Agricultural and Applied Economics , 43, 57–75.
169. Silva, J.V., Reidsma,  P.,  Laborte,  A.,  &  van  Ittersum,  M.K.  (2016 ).  Explaining  rice  yield  gaps  in  Central Luzon, Phillippines: an application of stochastic  frontier analysis and crop modelling. European Journal of Agronomy http://dx.doi.org/10.1016/ j.eja.2016.06.017.
170. Simbahan, G.C., Dobermann,  A.,  &  Ping,  J.L.  (2004). Screening  yield  monitor  data  improves  grain  yield maps. Agronomy Journal, 96, 1091-1102
171. Song, X., Wang, J., Huang, W., Liu, L., Yan, G., & Pu, R. (2009 ) The delineation of agricultural management zones with high resolution remotely sensed data. Precision Agriculture, 10, 471–487.
172. Spekken, M., Anselmi, A. A., & Molin, J. P. (2013 ). A simple method for filtering spatial data. In J.V. Stafford (Ed.), Precision agriculture’13: Proceedings of the 9th European Conference on precision agriculture. The Netherlands: Wageningen Academic Publishers, pp 259-266.
173. Stenger, R., Priesack, E., & Beese, F. (2002). Spatial variation of nitrate– N and related soil properties at the plot-scale. Geoderma, 105, 259-275.
174. Stoorvogel, J., &  Bouma,  J.  (2005).  Precision  agriculture  :  the  solution  to  control  nutrient  emissions  ? In Stafford,  J.,  editor,  Precision  agriculture  ’05  :  Proceedings  of  the  5th  European  Conference  on  Precision Agriculture, pages 47_55, Uppsala, Sweden. Wageningen Academic Publishers.
175. Sudduth, K.A., Drummond, S.T., Birrell, S.J., & Kitchen, N.R. (1997 ). Spatial modeling of crop yield using soil and topographic data. In Proceedings of the First European Conference on Precision Agriculture, 439 – 447.
176. Sudduth, K., & Drummond, S. T. (2007). Yield Editor : Software for Removing Errors from Crop Yield Maps. Agronomy Journal, 99, 1471.
177. Sudduth, K.A., Drummond, S.T., Myers, D.B., Anatole, H. (2012 ). Yield editor 2.0: Software for automated removal of yield  map  errors. In:  Proceedings  of  the American  Society  of  Agricultural  and  Biological Engineers International (ASABE)
178. Sun, B., Zhou, S., & Zhao, Q. (2003). Evaluation of  spatial and temporal changes of  soil quality based on geostatistical analysis in the hill region of subtropical China. Geoderma, 115, 85-99.
179. Sun, W., Whelan,  B.,  McBratney,  A.B.,  &  Minasny,  B.  (2013 ).  An  integrated  framework  for  software  to provide  yield  data  cleaning  and  estimation  of  an  opportunity  index  for  site-specific  crop  management. Precision Agriculture, 14, 376–391.
180. Sykuta, M. E. (2016 ). Big Data in Agriculture: Property Rights, Privacy and Competition in Ag Data Services. International Food and  Agribusiness  Management  Review  Special  Issue,  19(A).  Syngenta  Foundation  for Sustainable Agriculture. FarmForce.
181. Tagarakis, A., Liakos, V.,  Fountas,  S.,  Koundouras,  S.,  &  Gemtos,  T.A.  (2013 ).  Management  zones delineation using fuzzy clustering techniques in grapevines. Precision Agriculture, 14, 18-39.
182. Tarabalka, Y., Chanussot, J., & Benediktsson, J.A. (2010). Segmentation and classification of hyperspectral images using watershed transformation. Pattern Recognition, 43, 2367-2379.
183. Taylor, R.K., Kluitenberg, G.J., Schrock, M.D., Zhang, N., Schmidt, J.P., & Havlin, J.L. (2001 ). Using yield monitor data to determine spatial crop production potential. American Society of Agricultural Engineers , 44, 1409-1414.
184. Taylor, J., Tisseyre, B., Bramley, R., & Reid, A. (2005 ). A comparison of the spatial variability of vineyard yield in European  and  Australian  production  systems. In: Stafford,  J.  V.  (Ed.),  Proceedings  of  the  4th European Conference on Precision Agriculture. The Netherlands: Wageningen Academic Publishers, pp 907 -914.
185. Taylor, J. A., Mcbratney, A. B., & Whelan, B. M. (2007 ). Establishing Management Classes for Broadacre Agricultural Production. Agronomy Journal, 99, 1366–1376.
186. Taylor, J., Acevedo-Opazo, C., Ojeda, H., & Tisseyre, B. (2010 ). Identification and significance of sources of spatial variation in grapevine water status. Australian Journal of vine and wine research, 16, 218-226
187. Taylor, J.A., & Bates, T.R. (2013 ). A discussion on the significance associated with Pearson’s correlation in precision agriculture studies. Precision Agriculture, 14, 558-564.
188. Tisseyre, B., &McBratney, A. (2008). A technical opportunity i ndex based on mathematical morphology for site-specific management: an application to viticulture. Precision Agriculture, 9, 101–113.
189. Tisseyre, B. (2012).  Peut-on  appliquer  le  concept  d’agriculture  de  precision  a  la  viticulture  ?  Mémoire d’habilitation à diriger des recherches. CNECA no3. Montpellier.
190. Tisseyre, B, Leroux, C., Pichon, L., Geraudie, V., & Sari, T. (2018). How to define the optimal grid si ze to map high spatial resolution data. Precision Agriculture. https://doi.org/10.1007/s11119-018-9566-5
191. Tobler, W. (1970) A computer movie simulating urban growth in the Detroit region. Economic Geography , 46, 234-240
192. Tozer, P. &  Isbister,  I.  (2007).  Is  it  economically  feasible  to  harvest  by  management  zone  ? Precision Agriculture, 8, 151-159.
193. Tullberg J.N., Yule D.F., & McGarry D. (2007). Controlled traffic farming— From research to adoption in Australia. Soil and Tillage Research, 97, 2, p. 272-281.
194. USDA (2015). Agricultural  resource  management  survey:  US  rice  industry. United  States  Department  of Agriculture (USDA) National Agricultural Statistics Service (NASS) Highlights. No 2015-2. 4 pp.
195. Van Dijk, M., Morley, T., Jongeneel, R., van Ittersum, M., Reidsma, P., & Ruben, R. (2017 ). Disentangling agronomic and economic  yield  gaps:  An  integrated  framework  and  application. Agricultural  Systems ,  154, 90-99.
196. Van Ittersum, M.K., Cassman, K.G., Grassini, P., Wolf, J., Tittonell, P., & Hochman, Z. (2012 ). Yield gap analysis with local to global relevance—A review. Field Crops Research, 143, 4-17.
197. Vasu, D., Singh,  S.  K.,  Sahu,  N., Tiwary,  P.,  Chandran,  P.,  Duraisami,  V.  P.,  et  al. (2017).  Assessment  of spatial variability of soil properties using geospatial techniques for farm level nutrient management. Soil and Tillage Research, 169, 25-34.
198. Vincent, L., &  Soille,  P.  (1991 ).  Watersheds  in  digital  spaces:  an  efficient  algorithm  based  on  immersion simulations. IEEE Transactions on Pattern Analysis and Machine Intelligence, 13, 583–598.
199. Vinh, N.X., Chan, J., Romano, S., Bailey, J., Leckie, C., Ramamohanarao, K., & Pei, J. (2016 ). Discovering outlying aspects in large datasets. Data Mining and Knowledge Discovery, 1–36.
200. Wang, D., Prato, T., Qiu, Z., Kitchen, N., & Sudduth, K. (2003 ). Economic and Environmental Evaluation of Variable Rate Nitrogen and Lime Application for Claypan Soil Fields. Precision Agriculture, 4, 35-52
201. Wathes, C.M., Kristensen,  H.H.,  Aerts,  J.M.,  &  Berckmans,  D.  (2008 ).  Is  precision  livestock  farming  an engineer ‘s daydream or nightmare, an animal’s friend or foe, and a farmer’s panacea or pitfall? Computers and Electronics in Agriculture, 64, 2-10.
202. Weisstein, E.W. (2002)   “Lambert   W-function,” MathWorld,     A     Wolfram     Web     Resource., http://mathworld.wolfram.com/LambertW-Function.html (Last accessed 10 August 2017)
203. Whelan, B., & McBratney, A. (2000). The null  hypothesis  of precision agriculture  management. Precision Agriculture, 2, 265_279.
204. Wolfert, S., L. Ge,  C.  Verdouw,  &  M.-J.  Bogaardt  (2017).  “Big  Data  in  Smart  Farming – A  review.” Agricultural Systems, 153, 69-80
205. Wu, J., Norvell, W. A., Hopkins, D. G., & Welch, R. M. (2002 ). Spatial variability of grain cadmium and soil characteristics in a durum wheat field. Soil Science Society of America Journal, 66, 268-275.
206. Xin-Zhong, W., Guo-Shun,  L.,  Hong-Chao,  H.,  Zhen-Hai,  W.,  Qing-Hua,  L.,  Xu-Feng,  L.,  et  al.  (2009 ). Determination of management zones for a tobacco field based on soil fertility. Computers and Electronics in Agriculture, 65(2), 168-175.
207. Yost, M.A., Kitchen, N.R., Sudduth, K.A., Sadler, E.J., Drummond, S.T., & Volkmann, M.R. (2017). Long -term impact of a precision agriculture system on grain crop production. Precision Agriculture, 18, 823-842
208. Zadeh, L. (1964) Fuzzy sets. Information and Control, 8, 338–353.
209. Zane, L., Tisseyre, B., Guillaume, S., & Charnomordic, B. (2013). Within-field zoning using a region growing algorithm guided by geostatistical analysis. In Proceedings of Precision Agriculture, 313-319
210. Zhang, X., Jiang,  J.,  Qiu,  X.,  Wang,  J,  &  Zhu,  Y.  (2016 ). An  improved  method  of  delineating  rectangular management zones using a semivariogram-based technique. Computers and electronics in Agriculture , 121, 74-83
211. Zhao, J., Lu, C., & Kou. Y. (2003). Detecting Region Outliers in Meteorological Data. In Proceedings of the 11th ACM International Symposium on Advances in Geographic Information Systems, 49– 55, New Orleans, Louisiana, USA.
212. Zhao, C., Huang, W., Chen, L., Meng, Z., Wang, Y., & Xu, F. (2010 ). A harvest area measurement system based on ultrasonic sensors and DGPS for yield map correction. Precision Agriculture, 11, 163-180.

Soutenez les articles de blog d’Aspexit sur TIPEEE

---

Un p’tit don pour continuer à proposer du contenu de qualité et à toujours partager et vulgariser les connaissances =) ?