Un programme d’évaluation de l’état des cultures (PEEC) fiable comprenant des données "Advanced Very High Resolution Radiometer"(AVHRR) de la "National Oceanic and Atmospheric Administration" (NOAA), un système d’information géographique et l’Internet

Gordon C. Reichert et David Caissy
Analyse spatiale et applications géomatiques
Division de l’agriculture, Statistique Canada
Ottawa, Ontario K1A 0T6

Résumé
Introduction
Le programme d’évaluation de l’état des cultures de Statistique Canada
Le traitement des données
Système d’information géographique: Perspective de l’utilisateur
Système d’information géographique: Perspective du programmeur
Modèle de rendement du blé de printemps
Résumé et conclusions
Appendice
Références

Résumé

Le présent document décrit le Programme d’évaluation de l’état des cultures (PEEC) conçu et maintenu par Statistique Canada. Le PEEC est une application client-serveur conçue à l’aide de MapObjects Map Objects Internet Map Server, de Java et de Visual Basic. Le traitement à valeur ajoutée des données AVHRR de la (NOAA) pendant la saison de végétation a servi de base aux publications quantitatives hebdomadaires sur les cultures et les conditions des pâturages et des grands pâturages naturels de l’Ouest du Canada et des plaines du Nord des États-Unis. Les produits à valeur ajoutée sont accessibles sur Internet en moins de 24 heures après le dernier passage du satellite ayant servi aux images composés. Une interface utilisateur graphique (IUG) personnalisée permet aux abonnés de voir, d’analyser et de comparer de façon interactive les conditions changeantes des cultures, des pâturages et des grands pâturages naturels en temps quasi-réel selon la région, la province, la région agricole de recensement, la subdivision de recensement unifiée ou le comté. Le rendement du blé de printemps de l’Ouest du Canada a été prévu à l’aide d’un modèle de régression linéaire. Le niveau d’exactitude des prévisions s’est établi à l’intérieur d’une marge de 5,6% par rapport aux estimations publiées pendant 10 des 13 années (1989 à 2001). Les prévisions du rendement du blé de printemps qui s’appuient sur les données AVHRR de la (NOAA) sont considérées comme un indicateur expérimental distribué aux abonnés du PEEC. Les estimations officielles des cultures de Statistique Canada se fondent sur les rapports sur les grandes cultures.

Introduction

De nombreuses nations vivent de l’agriculture. L’agriculture est essentielle à la sécurité alimentaire, aux revenus d’exportation et à l’emploi local. La croissance de la concurrence entre les exportateurs de céréales et l’instabilité des marchés des céréales ont marqué l’importance d’avoir des renseignements actuels et précis sur l’offre et la demande des pays importateurs et exportateurs.

La télédétection peut donner à l’ensemble des utilisateurs des mises à jour fréquentes sur les conditions des cultures dans une vaste région géographique à l’aide de l’imagerie par satellite à faible résolution (1,1 km au nadir). Deux fois par jour, la National Oceanic and Atmospheric Administration (NOAA) saisit une image de toute la surface de la terre à l’aide d’un ensemble de satellites dotés d’un Advanced Very High Resolution Radiometer (AVHRR). Bien qu’il soit conçu pour donner des observations atmosphériques et des prévisions météorologiques, le détecteur AVHRR a saisi deux des plus importantes bandes spectrales servant à l’observation de la végétation: le rouge et le proche infrarouge. Au cours des années 80, les chercheurs canadiens ont commencé à évaluer les renseignements contenus dans les données numériques AVHRR servant à l’observation opérationnelle des cultures dans tout l’Ouest canadien (Brown et al., 1982, Glick et al., 1984, Prout et al., 1986).

Bien que les conditions varient considérablement chaque année, on a pu produire des prévisions préliminaires du rendement saisonnier à l’aide des données AVHRR de la (NOAA). Les conclusions de Quarmby et al., 1993; Doraiswamy et Cook, 1995; Leprieur et al., 1996; Rasmussen, 1997; Hochheim et Barber, 1998; et Reichert et al., 1998; portent toujours à croire qu’il est possible de prévoir le rendement au moyen des données AVHRR de la (NOAA). Les demandes présentées aux scientifiques par le secteur privé, les organismes de marketing et le gouvernement, qui veulent que l’on produise des prévisions de production actuelles et précises bien avant la parution des estimations des enquêtes statistiques, insistent sur l’importance de recourir à des données de télédétection, à un Système d’information géographique (SIG) et à l’Internet.

Le programme d’évaluation de l’état des cultures de Statistique Canada

En 1988, Statistique Canada a conçu et mis en oeuvre le Programme d’évaluation de l’état des cultures (PEEC). Au départ, Statistique Canada voulait élaborer un PEEC pour remplacer le programme de production de rapports par télégraphie (PRT) qui avait été aboli pour des raisons budgétaires. Le PRT était un rapport hebdomadaire sur la de croissance des cultures que soumettaient 160 personnes de partout au pays. Ces rapports complétaient les enquêtes sur l’exploitation agricole et le rendement de Statistique Canada et renseignaient sur l’évolution des cultures tout au long de la saison de végétation. L’abolition du PRT a créé une grande lacune statistique dans le programme de production de rapports sur les cultures, et on a jugé que le PEEC était le projet idéal pour combler cette lacune. C’est lors de l’année de sécheresse en 1988 que les avantages d’observer les conditions de la végétation dans l’Ouest du Canada à l’aide des données d’AVHRR de la (NOAA) et du SIG se sont révélés évidents. Cette réussite a par la suite renforcé le rôle de la télédétection à titre de partie intégrante d’un programme de production de rapports sur les cultures, et c’est ainsi qu’en 1989, le PEEC a pu rejoindre les abonnés à l’extérieur de Statistique Canada (Korporal et al., 1989). À la demande des utilisateurs du PEEC, la région visée a plus tard été agrandie de façon à inclure les plaines du Nord des États-Unis. Pour des raisons logistiques, les données des deux régions visées ont été publiées seulement à partir de 1993. Par conséquent, les produits à valeur ajoutée du PEEC accessibles sur l’Internet reflètent cette période. Le modèle de rendement du blé de printemps de l’Ouest du Canada comprend toutefois des données depuis 1989.

Le traitement des données

Les données AVHRR de la (NOAA) sont collectées chaque jour de la saison des cultures à la station de réception par satellite de Prince Albert, en Saskatchewan. Ces données sont transférées, à l’aide d’une connexion par protocole de transfert de fichier (FTP) au Centre manitobain de télédétection, là où le traitement a été effectué au moyen du système GéoComp (Robertson et al., 1992) et du processeur GéoComp « nouvelle génération » GéoComp-n (Adair et al., 2002; Cihlar et al., 2002). GéoComp-n est un progiciel complètement intégré qui permet le traitement des données AVHRR d’un bout à l’autre. Elle comporte quatre fonctions principales: l’entrée de données AVHRR, le prétraitement, le géocodage et le rééchantillonnage, et la production de composés de produits. Bien que le système GéoComp-n produise 40 composés de produits, Statistique Canada s’est servi uniquement des composés rouges, proche infrarouges, et de l’Indice différentiel normalisé de végétation (NDVI).

GéoComp-n produit uniquement des composés de 10 jours semblables aux particularités du Programme International Géosphère Biosphère (Townshend et al., 1995). La durée de la période d’un composé est établie d’après un compromis entre la résolution temporelle, la quantité de résidus de nuages et les exigences de l’utilisateur. Les utilisateurs du PEEC exigent particulièrement que les mises à jour du PEEC coïncident avec les rapports hebdomadaires sur les cultures diffusés par les divers intervenants provinciaux, fédéraux et du secteur privé. GéoComp-n a utilisé une période de composition du lundi au dimanche pour produire une image composée de sept jours chaque semaine. Bien que la période de composition de sept jours réduise de façon considérable les problèmes dus à la couverture par les nuages, inhérents aux images quotidiennes, le système n’a pas produit que des images composées de sept jours complètement exemptes de l’influence des nuages. Les conclusions de Hoccheim et de Barber (1998) appuient les premières découvertes de Statistique Canada selon lesquelles l’influence des nuages doit être considérée pour que les produits du PEEC soient davantage précis et utiles. Les pixels touchés par les nuages, qui n’ont pas été éliminés au cours du processus de composition de sept jours, sont faciles à reconnaître dans la longueur d’onde rouge (canal 1). Ainsi, afin de minimiser les erreurs statistiques qu’ont pu causer les nuages, Statistique Canada a établi une constante pour le seuil du masque-nuages à partir du composé AVHRR du canal 1. Le masque-nuages a été appliqué au composé NDVI dans le cadre du traitement à valeur ajoutée de Statistique Canada, ce qui fait en sorte que seuls les pixels exempts de nuages ont été inclus lors du calcul des statistiques NDVI pour l’image de la région de l’Ouest du Canada et des plaines du Nord des États-Unis.

Interface du système d’information géographique

1) Perspective de l’utilisateur

Dans le cadre du PEEC, Statistique Canada applique un ensemble de procédés à valeur ajoutée aux données hebdomadaires. Les abonnés du PEEC peuvent consulter les mises à jour hebdomadaires par Internet (figure 1) deux heures après que Statistique Canada a reçu les composés du Centre manitobain de télédétection. Autrement dit, les abonnés consultent chaque semaine sur Internet les produits à valeur ajoutée de Statistique Canada moins de 24 heures (temps quasi-réel) après le passage du dernier satellite ayant servi à établir le composé hebdomadaire. Les abonnés consultent chaque semaine plusieurs types d’images-satellite à valeur ajoutée et de produits cartographiques, ainsi que des données statistiques et graphiques (figure 2). Les images à valeur ajoutée montrent l’état de la végétation pixel par pixel, tandis que les produits cartographiques illustrent l’état de la végétation prédominante dans l’Ouest du Canada selon la région agricole de recensement (RAR) ou la subdivision de recensement unifiée (SRU), ou aux États-Unis, selon l’image de la région par comté.

Les images interactives à valeur ajoutée et les produits cartographiques comprennent ceci:

• la comparaison d’une semaine de la saison de végétation en cours avec la semaine précédente de la même saison de végétation;
• la semaine en cours avec la même semaine de la saison de végétation précédente;
• la semaine en cours avec la même semaine de la normale (voir ci-dessous) et
• la comparaison de la semaine en cours avec la valeur maximale du NDVI à l’intérieur de la normale (voir ci-dessous).

La normale est une moyenne du canal NDVI pour les années de culture de 1993 à l’année précédant la saison de végétation en cours. Les années de sécheresse et de production record entrent dans le calcul de la normale. À l’aide de l’interface du SIG, les abonnés peuvent observer les régions, les terres agricoles ou les pâturages et les grands pâturages naturels d’intérêt, ensemble ou séparément. Ce type d’analyse qualitative permet aux utilisateurs d’évaluer rapidement entre quelles semaines les conditions se sont soit détériorées, maintenues ou améliorées et dans quelle mesure. Les étendues d’eau, les rivières, les routes et les principales villes, ainsi que les frontières entre les provinces, les RAR, les RAR, les États et les comtés sont posées par-dessus l’image pour permettre de repérer la région.

On effectue une analyse quantitative détaillée en calculant la valeur hebdomadaire moyenne du NDVI pour les masques de cultures, de pâturages ou de grands pâturages naturels et pour chaque RAR, RAR et comté. Tel que mentionné précédemment, les pixels touchés par les nuages sont exclus du calcul des statistiques moyennes du NDVI. Les données du NDVI moyen selon la RAR, la RAR ou le comté peuvent être tracées, consultées, comparées et analysées avec celles de toutes les autres années qui se trouvent dans les archives statistiques. Les utilisateurs ont la souplesse de choisir les années de comparaison, d’exporter par voie électronique les données tabulaires ou les courbes du NDVI en rapports ou en présentations, et de produire une copie papier des résultats.

2) Perspective du programmeur

L’application du PEEC est divisée en deux grandes parties: le client et le serveur. Du côté du serveur, le principal langage de programmation utilisé a été Visual Basic (VB) 6.0 de Microsoft. MS-Access 97 a servi à la base de données spatiales, Map Objects 2.0a à la production des cartes, et Map Objects Internet Map Server (MoIMS) au fonctionnement des cartes sur Internet. Des pages ASP sur plate-forme Windows 2000 contiennent les dispositifs de sécurité du serveur d’information Internet installé.

Du côté du client, Java 1.3 a servi à la création des programmes, nommé « applets », que l’on exécute directement à partir d’un navigateur. Java est un langage puissant qui permet à l’application de bénéficier au maximum de toutes les possibilités offertes par Map Objects.

Le PEEC est une application client-serveur qui s’appuie sur un modèle N-Tier. Cela signifie que le client et le serveur ne se « parlent » pas directement, mais utilisent des intermédiaires à cette fin (figure 3).

Par exemple, un client entre un nom d’utilisateur et un mot de passe pour accéder à l’applet Java. La page ASP vérifie le statut du client, autorise l’accès à l’applet et l’ouvre. L’applet Java « CCAP.java » se télécharge et s’exécute automatiquement dans le navigateur Internet du client où l’applet affiche une carte qui représente l’état actuel des cultures et des pâturages. Pour ce faire, l’applet « CCAP.java » envoie une requête à une classe Java nommée « NetworkComm.java ».

« NetworkComm.java » n’est pas un applet. Son rôle consiste à encapsuler tout ce qui concerne la communication sur Internet. Il s’agit du premier intermédiaire entre le client et le serveur dans le modèle N-Tier. Cette classe transmet à « Esrimap.dll » la demande de carte qu’un client effectue par Internet par l’intermédiaire du pare-feu de l’hôte.

Le deuxième intermédiaire, « Esrimap.dll », reçoit la demande de carte de la part de « NetworkComm.java » et transmet la requête à l’application VB appelée « CCAP.exe ».

« CCAP.exe » utilise les composantes Map Objects et les données stockées dans la base de données pour produire une carte dynamique. Une fois que cette carte est créée, elle est convertie en image Graphics Interchange Format (GIF) et retournée à « Esrimap.dll » et de là, à la classe « NetworkComm.java », qui la retransmet à l’applet « CCAP.java ».

L’utilisation d’un modèle client-serveur N-Tier comporte plusieurs avantages. Par exemple, la migration de Map Objects Internet Map Server à ArcIMS exige des modifications mineures à « CCAP.exe » et à « NetworkComm.java », mais pas une seule ligne de code ne change dans « CCAP.java »! Comme « NetworkComm.java » est considérablement plus petit que « CCAP.java », il est également plus facile à maintenir.

Plusieurs applications serveur dans le cadre du Programme d’évaluation de l’état des cultures utilisent le même « Esrimap.dll ». Ce faisant, le code de source y est réutilisé, ce qui améliore l’efficacité tout en éliminant la redondance.

Modèle de rendement du blé de printemps

On a créé le modèle de rendement du blé de printemps pour prévoir le rendement du blé de printemps au niveau des RAR partout dans l’Ouest du Canada. Le blé de printemps est la culture la plus répandue dans l’Ouest du Canada; il compose environ 50% des surfaces ensemencées des six principales céréales. La faible résolution du détecteur AVHRR fait en sorte que l’œil ne peut différencier une culture d’une autre. Les renseignements saisis par le satellite dans l’Ouest du Canada indiquent que c’est le blé de printemps qui domine; par conséquent, les changements du NDVI sont souvent le résultat de l’évolution de l’état du blé de printemps. Par conséquent, le modèle de régression linéaire utilisé pour cette étude ne traite que le blé de printemps.

Les valeurs du NDVI atteignent habituellement leur niveau maximum entre le début juillet et la mi-août et diminuent au fur et à mesure que la végétation mature. Pendant cette période, les valeurs historiques du NDVI pour chaque RAR sont en corrélation avec les données de Statistique Canada sur l’historique du rendement d’après les enquêtes sur le blé de printemps réalisées à l’aide d’un modèle de régression linéaire. Le lien linéaire est appliqué à la valeur du NDVI de la saison en cours pour chaque semaine entre le début juillet et la mi-août, et un rendement prévu au niveau du RAR est calculé. Pour prévoir la production du blé de printemps, on multiplie le rendement prévu du blé de printemps par la superficie d’ensemencement de la saison en cours, les statistiques des petites régions, enregistrées par la série de rapports sur les grandes cultures de Statistique Canada. Les prévisions de production au niveau des RAR sont regroupées au niveau provincial, et une prévision pondérée du rendement est calculée pour l’Ouest du Canada. Le premier ensemble de résultats de prévisions du PEEC donne lieu à une série de sept prévisions hebdomadaires contiguës diffusées huit semaines avant la première estimation du rendement du blé de printemps de Statistique Canada. Les prévisions fiables présentées bien avant celles d’autres sources crédibles sont précieuses pour les utilisateurs du PEEC.

Les prévisions préliminaires sur le rendement du blé de printemps comparées aux estimations finales sur le rendement du blé de printemps publiées par Statistique Canada varient d’une année à l’autre. Pour les besoins du présent document, la comparaison de l’exactitude s’appuie sur l’estimation finale de l’année de Statistique Canada sur le rendement du blé de printemps parue dans la publication intitulée « Estimations de la production des principales grandes cultures », diffusée en décembre, bien après la fin des récoltes. Les prévisions finales se sont établies à l’intérieur de 5,6% des estimations publiées pendant 10 des 13 années (1989 à 2001) (tableau 1). Les conditions météorologiques difficiles pendant la saison de végétation peuvent influer sur les résultats des prévisions, ce qui s’est confirmé en 1989, en 1993 et en 1995 (Reichert, 1995).

Résumé et conclusions

À l’aide des données AVHRR, Statistique Canada donne des renseignements actuels et précis sur l’état des cultures, des pâturages et des grands pâturages naturels. En raison de l’intérêt des intervenants fédéraux, provinciaux et du secteur privé en matière de recherche, le centre d’attention a été l’établissement d’une couverture pour les régions de l’Ouest du Canada et des plaines du Nord des États-Unis où la culture de blé de printemps est prédominante. Un composé d’images AVHRR couvrant la dernière période de sept jours élimine la plupart ou la totalité des effets des nuages, ce qui améliore de façon considérable les capacités quantitatives du PEEC. Les résultats sont diffusés par Statistique Canada moins de 24 heures après le dernier passage du satellite ayant servi à la composition d’images. Ce court délai de passage du satellite à l’utilisateur n’a pas de valeur lorsque des décisions de gestion nécessitent des renseignements les plus à jour possible sur la détérioration, le maintien ou l’amélioration hebdomadaire des conditions et leur ampleur. Les mises à jour du PEEC, que l’on donne chaque semaine sur Internet, vérifient que tous les utilisateurs reçoivent les données le plus tôt possible. De plus, des prévisions fiables sur le rendement du blé de printemps dans l’Ouest du Canada sont données bien avant la tenue de l’enquête de Statistique Canada sur le rendement du blé de printemps, qui s’appuie sur les observations des agriculteurs. Les demandes faites aux scientifiques par le secteur privé, les organismes de marketing et le gouvernement, qui veulent que l’on produise des prévisions actuelles et précises sur la production bien avant les estimations des enquêtes statistiques, rappellent l’importance d’utiliser des données télédétectées, un Système d’information géographique (SIG) et l’Internet.

Une association de travail étroite avec des utilisateurs finals a été essentielle à la réussite de la mise en place du PEEC. D’autres efforts de recherche, notamment l’inclusion de la puissance des données télédétectées et de météorologie agricole sont nécessaires pour améliorer davantage le PEEC et le modèle de rendement du blé de printemps, surtout lors des années où les conditions météorologiques sont difficiles. Ces améliorations feraient en sorte que le PEEC continuerait de s’améliorer et satisferait les besoins changeants des utilisateurs.

Appendice

Figure 1. Interface graphique utilisateur sur Internet pour le Programme d’évaluation de l’état des cultures.

Figure 2. Produits disponibles au travers du Programme d’évaluation de l’état des cultures

Figure 3. Modèle « N-Tier » de l’architecture client-serveur du Programm d'évaluation de l'état des cultures.

Ce tableau compare les résultats obtenus entre le modèle de prévision des récoltes du Programme d'évaluation de l'état des cultures (colonne 2) pour le blé de printemps dans l'Ouest canadien et les rendements de l'enquête provenant de l'Unité des rapports sur les grandes cultures de Statistique Canada (colonne 3). La colonne 4 montre la différence en pourcentage. Ce tableau montre des résultats pour 1989 à 2001 (colonne 1)

Tableau 1: Résultats du modèle de prévision des récoltes pour le blé de printemps dans l'Ouest canadien

Année	Prévision PEEC1	Estimé officiel de Statistique Canada2	Prévision versus Statistique Canada
1989	28.8	26.8	7.4%
1990	34.9	33.7	3.6%
1991	31.3	33.1	-5.5%
1992	31.0	31.3	-0.9%
1993	29.0	32.0	-9.4%
1994	29.5	30.7	-3.9%
1995	29.4	32.3	-9.0%
1996	35.2	36.1	-2.6%
1997	33.2	36.1	-2.6%
1998	31.8	33.4	-4.8%
1999	36.7	37.7	-2.7%
2000	34.6	36.1	-4.2%
2001	28.8	27.4	-4.8%

¹ Les prévisions sont considérées comme un indicateur expérimental distribué aux abonnés du PEEC à des fins d’évaluation seulement. L’estimation officielle des cultures de Statistique Canada s’appuie sur les rapports sur les grandes cultures.

² Statistique Canada, Série de rapports sur les grandes cultures, 1989-2001.

Références

Adair M., J. Cihlar, W.M. Park, G. Fedosejevs, A. Erickson, R. Keeping, D. Stanley, and P. Hurlburt. 2002. GeoComp-n, an advanced system for generating products from coarse- and medium- resolution optical satellite data. Part 1: System characterisation.Canadian Journal of Remote Sensing , 28(1) pp. 1-20.

Brown, R.J., M. Bernier, G. Fedosejevs and L. Skretkowicz. 1982. (NOAA) - AVHRR Crop Condition Monitoring. Canadian Journal of Remote Sensing, 56(10) pp. 1359-1365.

Cihlar J., J.M. Chen, Z. Li, R. Latifovic, G. Fedosejevs, M. Adair, W.M. Park, R. Fraser, A. Trishchenko, B. Guindon, D. Stanley, and D. Morse. 2002. GeoComp-n, an advanced system for the processing of coarse and medium resolution satellite data. Part 2: Biophysical products for northern ecosystems. Canadian Journal of Remote Sensing , 28(1) pp. 21-44.

Doraiswamy, P.C. and P.W. Cook. 1995. Spring Wheat Yield Assessment Using (NOAA) AVHRR Data. Canadian Journal of Remote Sensing, 21(1), pp.43-51.

Glick, J.L., J.F. Benci and R.J. Brown. 1984. Operational Crop Forecasting Using Remotely Sensed Imagery. Proceedings of the 8^th Canadian Symposium on Remote Sensing, pp. 331-341, Canadian Remote Sensing Society, Ottawa, Ontario.

Hochheim, K.P. and D.G. Barber. 1998. Spring Wheat Yield Estimation for Western Canada Using (NOAA) NDVI Data. Canadian Journal of Remote Sensing, 24(1), pp. 18-27.

Korporal, K.D., Dobbins, R. and N.M. Hillary. 1989. The Statistics Canada Crop Condition Assessment Program, Proceedings of the 12^th Canadian Symposium on Remote Sensing, pp. 2006-2009, Canadian Remote Sensing Society, Ottawa, Ontario.

Leprieur, C., Y.H. Kerr, and J.M. Pichon. 1996. Critical Assessment of Vegetation Indices From AVHRR in a Semi-arid Environment. International Journal of Remote Sensing, 17(13), pp. 2549-2563.

Prout, N.A., Sutton, J., Wessels, J., Manore, M., and R.J. Brown. 1986. Technological Feasibility to Mobilization for Operations: The (NOAA) Crop Monitoring Case, Proceedings of the 10^th Canadian Symposium on Remote Sensing, 2, pp.787-796, Canadian Remote Sensing Society, Ottawa, Ontario.

Quarmby, N.A., M. Milnes, T.L. Hindle, and N. Silleos. 1993. The Use of Multi-temporal NDVI Measurements from AVHRR Data for Crop Yield Estimation and Prediction. International Journal of Remote Sensing, 14(2), pp. 199-210.

Rasmussen, M.S.. 1997. Operational Yield Forecast Using AVHRR NDVI Data: Reduction of Environmental and Inter-annual variability. International Journal of Remote Sensing, 18(5), pp. 1059-1077.

Reichert, G.C. 1995. Agriculture and Remote Sensing. Bi-Weekly Bulletin. Agriculture and Agri-Food Canada, 8(18), pp. 1-6.

Reichert, G.C., P.R. Nixon and R.N. Dobbins. 1998. Statistics Canada’s Near Real Time Crop Condition Assessment Program Utilizing (NOAA)AVHRR Data – Remote Sensing , GIS and the Internet. Proceedings of the International Conference on Agricultural Statistics, pp. 142-148, Washington, D.C.

Robertson, B., A. Erickson, J. Friedel, B. Guindon, A. Sanz, T. Fisher, R. Brown, P. Teillet, M. D'Iorio, J. Cihlar, and A. Sancz. 1992. GEOCOMP, a (NOAA) AVHRR Geocoding and Compositing System. Proceedings, ISPRS Conference, Commission 2, pp. 223-228, Washington, D.C.

Townsend, J.R.G., C.O. Justice, D. Skole, J-P. Malingreau, J. Cihlar, P.M. Teillet, F. Sadowski, and S. Ruttenberg. 1995. "The 1 km resolution global data set: needs of the International Geosphere – Biosphere Programme". International Journal of Remote Sensing, 15(17), pp. 3417-3341.

Statistics Canada. 1989-2001. Field Crop Reporting Series, Cat. No. 22-002-XPB, Agriculture Division, Statistics Canada, Ottawa, Ontario.