基于遙感和地理信息系統(tǒng)技術(shù)的棉花產(chǎn)量建模

基于遙感和地理信息系統(tǒng)技術(shù)的棉花產(chǎn)量建模PAGEPAGE13基于遙感和地理信息系統(tǒng)技術(shù)的棉花產(chǎn)量建模摘要棉花產(chǎn)量模型是以建模數(shù)據(jù)融合模型為基礎(chǔ)發(fā)展而來(lái)的一種方法。數(shù)據(jù)融合模型基本上有兩方面作用：執(zhí)行棉花產(chǎn)量模型的RS與GIS信息，通過(guò)利用棉花產(chǎn)量模型的代表物理和邏輯融合物體信息，提高棉花產(chǎn)量建模精度。關(guān)鍵詞：棉花產(chǎn)量建模遙感數(shù)據(jù)融合一、前言利用遙感（RS）和地理信息系統(tǒng)（GIS）技術(shù)準(zhǔn)確檢測(cè)棉花產(chǎn)量及其變化率問(wèn)題，稱(chēng)為“棉花產(chǎn)量估計(jì)”問(wèn)題。以往致力于這一主題的研究時(shí)，在處理圖像質(zhì)量惡劣、作物生長(zhǎng)環(huán)境復(fù)雜的棉花產(chǎn)量的，對(duì)于遙感圖像質(zhì)量和其他作物的影響，都作出了不切實(shí)際的假設(shè)。由這兩個(gè)因素產(chǎn)生的錯(cuò)誤使人們很難提高棉花產(chǎn)量估計(jì)的精度。因此，為解決上述棉花產(chǎn)量建模問(wèn)題的方法便產(chǎn)生了，即在數(shù)據(jù)融合模型的基礎(chǔ)上，研究棉花產(chǎn)量模型的原理與應(yīng)用。數(shù)據(jù)融合模型基本上有兩方面作用：執(zhí)行棉花產(chǎn)量模型的RS與GIS信息，通過(guò)利用棉花產(chǎn)量模型的代表物理和邏輯融合物體信息，提高棉花產(chǎn)量建模精度。結(jié)果表明，這種方法有許多優(yōu)點(diǎn)，其中包括估計(jì)精度高，模式建造簡(jiǎn)單，正確性驗(yàn)證，管理和維護(hù)容易，易于與其他軟件集成。二、棉花產(chǎn)量建模遙感提供了大量的有關(guān)土地和棉花的產(chǎn)量的信息，地理信息系統(tǒng)幫助分析棉花產(chǎn)量。受到衛(wèi)星傳感器的高度的限制，有些資料可能被隱藏，而高分辨率航空攝影和田間樣品可以獲得這些寶貴的資料。地面真實(shí)數(shù)據(jù)和衛(wèi)星圖像相結(jié)合，往往能成為最完整和準(zhǔn)確的分析方法[1]。外部數(shù)據(jù)隨圖像數(shù)據(jù)輸入形成一個(gè)地理信息系統(tǒng)，從而地理信息系統(tǒng)有了合成的相互關(guān)聯(lián)的數(shù)據(jù)，為分析問(wèn)題提供了有效的手段。1.空間分辨率圖片空間分辨率，以米為單位表示，可以定義為：探測(cè)兩個(gè)點(diǎn)，能夠把這兩個(gè)點(diǎn)區(qū)分出來(lái)的兩點(diǎn)間的最小距離。樣本定義的圖像不能與空間分辨率混淆。為了保持圖片的信息，樣本采用的定義在數(shù)字化方面小于空間分辨率。檢測(cè)一個(gè)在棉花產(chǎn)量模型中的目標(biāo)不能保證被分辨出來(lái)。在航測(cè)圖片上，棉花圖片的特征尺寸，亮度和對(duì)比度，這些特征被發(fā)覺(jué)通常在需要20米的分辨率。專(zhuān)家斷言，分辨出哪些是棉花地（空間分辨率），需要的分辨率要高兩倍（10米）。對(duì)棉花地的分類(lèi)，其分辨率最好高于五米。2.方法計(jì)算機(jī)視覺(jué)和算法往往建立在人類(lèi)視覺(jué)的推理特性的基礎(chǔ)上。其中之一是分層組織。這意味著復(fù)雜的棉花領(lǐng)域的分辨率是通過(guò)第一次獲得的最初的模型，然后基于上他們的位置關(guān)系認(rèn)識(shí)到更復(fù)雜的模式。3．圖像處理圖像增強(qiáng)，邊緣檢測(cè)，和閾值通常適用于數(shù)字圖像在提取有關(guān)棉花產(chǎn)量模型信息的第一步。線性或非線性濾波中廣泛使用這些步驟。4．特征提取在圖像中，圖像特征就是幾何圖案。線段是它們最重要的基礎(chǔ)，因?yàn)樵赥M圖像中它往往與棉花的土地結(jié)構(gòu)相關(guān)聯(lián)。提到更高復(fù)雜的特征，如顏色，直角，平行線段和矩形，它們可以用直線段來(lái)定義。參數(shù)變換是完成關(guān)于棉花土地特征提取的標(biāo)準(zhǔn)方法。他們從主域繪制一個(gè)圖片轉(zhuǎn)換到很容易確定幾何特征的轉(zhuǎn)化空間，[3]。這轉(zhuǎn)化的空間，稱(chēng)為參數(shù)空間或轉(zhuǎn)化域，它往往是一個(gè)二維空間，并可用圖像顯示。三、數(shù)據(jù)融合原理在棉花產(chǎn)量數(shù)據(jù)建模中，上述提到的方法結(jié)合了來(lái)自多個(gè)TM傳感器系統(tǒng)和統(tǒng)計(jì)傳感器系統(tǒng)的數(shù)據(jù)，跟使用單個(gè)TM傳感器系統(tǒng)或統(tǒng)計(jì)傳感器系相比，該方法實(shí)現(xiàn)了更高的性能，并提供更多的推論。在這里，統(tǒng)計(jì)傳感器涉及到政府提供的棉花面積和產(chǎn)量的有關(guān)統(tǒng)計(jì)數(shù)據(jù)。在多傳感器，多目標(biāo)的環(huán)境中，對(duì)棉花產(chǎn)量建模，TM傳感器沒(méi)有提供有關(guān)棉花地的所有信息，并且目標(biāo)不是預(yù)知的。因此，從傳感器得到的測(cè)量數(shù)據(jù)，是通過(guò)使用基于距離的一種聚類(lèi)算法選擇而來(lái)的，各種棉花土地和表面特征當(dāng)作一部分投入到數(shù)據(jù)融合模型中，實(shí)施精確測(cè)量棉花產(chǎn)量。雖然在理想的條件下通過(guò)使用多傳感器系統(tǒng)能夠衡量棉花的產(chǎn)量，但是對(duì)于在使用防止錯(cuò)誤的解釋后不能達(dá)到理想條件，特別是TM圖像質(zhì)量差的的情況下，前面論述的方法才是唯一有效的。除此以外，統(tǒng)計(jì)傳感器將使用于估計(jì)復(fù)雜棉花地的狀態(tài)，并且在利用多傳感器系統(tǒng)獲得的數(shù)據(jù)的情況下使用統(tǒng)計(jì)傳感器能夠估計(jì)土地狀態(tài)。這種決策的動(dòng)機(jī)是努力找到一種方法，來(lái)減小在基于多傳感器測(cè)量獲得的非理想TM圖像進(jìn)行數(shù)據(jù)融合時(shí)對(duì)解析棉花產(chǎn)量造成的影響。棉花產(chǎn)量模型的數(shù)據(jù)融合涉及棉花產(chǎn)量數(shù)據(jù)關(guān)聯(lián)和棉花土地的狀態(tài)估計(jì)。數(shù)據(jù)融合中最重要的是數(shù)據(jù)關(guān)聯(lián)，其中包括測(cè)量到統(tǒng)計(jì)關(guān)聯(lián)，測(cè)量到測(cè)量關(guān)聯(lián)，測(cè)量和統(tǒng)計(jì)融合。關(guān)聯(lián)數(shù)據(jù)指的是從TM和統(tǒng)計(jì)傳感器得到的測(cè)量數(shù)據(jù)。事實(shí)上，融合是把測(cè)量和統(tǒng)計(jì)結(jié)果結(jié)合起來(lái)，得到一個(gè)單一的有關(guān)棉花產(chǎn)量的測(cè)量和預(yù)測(cè)結(jié)果的過(guò)程。因此，TM和統(tǒng)計(jì)傳感器的數(shù)據(jù)融合可廣泛用于跟蹤棉花土地狀態(tài)。在數(shù)據(jù)融合系統(tǒng)中，一些分布式TM或不同統(tǒng)計(jì)準(zhǔn)確性和特點(diǎn)的傳感器測(cè)出在棉花地復(fù)雜環(huán)境中棉花地的多種物體并把所有的測(cè)量數(shù)據(jù)報(bào)到融合系統(tǒng)。數(shù)據(jù)融合系統(tǒng)結(jié)合了所有從多個(gè)傳感器收到的信息到感知物體有用信息的獨(dú)特一套。因此，如果TM圖像和統(tǒng)計(jì)數(shù)據(jù)能以一個(gè)正確的方法有效地融合的話，數(shù)據(jù)融合會(huì)提高棉花產(chǎn)量模型的性能和棉花產(chǎn)量建模系統(tǒng)的精度。四、概念模型該“數(shù)據(jù)融合的實(shí)施”包含三級(jí)處理。1級(jí)處理包括面積和產(chǎn)量融合，結(jié)合來(lái)自于各種TM傳感器和統(tǒng)計(jì)傳感器的產(chǎn)量數(shù)據(jù)和面積，準(zhǔn)確估計(jì)在遙感領(lǐng)域的任何棉花地塊的面積和產(chǎn)量。面積或產(chǎn)量融合也分為參數(shù)關(guān)聯(lián)和估計(jì)。參數(shù)關(guān)聯(lián)聯(lián)合來(lái)自從多傳感器到個(gè)別實(shí)體的觀測(cè)資料。參數(shù)關(guān)聯(lián)是重要的，因?yàn)橐粋€(gè)不正確的數(shù)據(jù)關(guān)聯(lián)將影響目標(biāo)成果（棉花地塊）或狀態(tài)跟蹤。在這里，目標(biāo)是指棉花地塊或狀態(tài)。考慮到每一個(gè)觀察資料到每一個(gè)目標(biāo)的關(guān)聯(lián)，然后與估計(jì)技術(shù)結(jié)合起來(lái)使用，以獲得更好的對(duì)棉花地塊的狀態(tài)屬性的估計(jì)。第2級(jí)處理的目的是棉花產(chǎn)量的形勢(shì)或狀態(tài)估計(jì)。在這一級(jí)，從1級(jí)處理出的結(jié)果，經(jīng)過(guò)分析和審查，以得出在復(fù)雜棉花的條件下地影響棉花面積和產(chǎn)量的基本特點(diǎn)。第三級(jí)是用于對(duì)棉花產(chǎn)量的精確評(píng)價(jià)。其目的是要確定融合數(shù)據(jù)的意義，如估計(jì)棉花面積和產(chǎn)量，預(yù)計(jì)精密評(píng)價(jià)的過(guò)程或狀態(tài)變化，并估計(jì)棉花產(chǎn)量的誤差。該級(jí)別通常采用類(lèi)似于棉花面積和產(chǎn)量情況估計(jì)的啟發(fā)式和統(tǒng)計(jì)技術(shù)。五、數(shù)據(jù)融合模型在棉花產(chǎn)量模型數(shù)據(jù)融合中最重要的功能是在做任何從測(cè)量中得到的估計(jì)前使測(cè)量目標(biāo)關(guān)聯(lián)。數(shù)據(jù)關(guān)聯(lián)在把可能來(lái)自同一目標(biāo)的測(cè)量數(shù)據(jù)分割成集，這是真正重要的[4]。數(shù)據(jù)關(guān)聯(lián)過(guò)程包括三個(gè)主要步驟：數(shù)據(jù)輸入技術(shù)，測(cè)量關(guān)聯(lián)和戰(zhàn)略作用。輸入技術(shù)解決使用先驗(yàn)統(tǒng)計(jì)知識(shí)不可能實(shí)現(xiàn)從觀測(cè)到攝影追蹤的配對(duì)問(wèn)題。這個(gè)名詞是指追蹤棉花塊地的狀態(tài)，包括其面積和產(chǎn)量。這一步是用來(lái)降低從觀測(cè)到跟蹤的配對(duì)的組合數(shù)量，這些配對(duì)在數(shù)據(jù)關(guān)聯(lián)上要被考慮的。第二個(gè)步驟是從所有測(cè)量資料和所有現(xiàn)有棉花地跟蹤上確定測(cè)量的相似性。最后一步是用來(lái)解決觀測(cè)到跟蹤的問(wèn)題。六、數(shù)據(jù)融合模型同一個(gè)目標(biāo)的跟蹤類(lèi)似，目前的目標(biāo)是要決定哪些跟蹤類(lèi)似。這是需要將這些技術(shù)整合到一個(gè)單一的跟蹤。通過(guò)小數(shù)據(jù)矩陣，類(lèi)似的和不同的跟蹤可以很容易的被發(fā)現(xiàn)。具有兩個(gè)類(lèi)似的評(píng)價(jià)標(biāo)準(zhǔn)的兩個(gè)跟蹤和評(píng)價(jià)標(biāo)準(zhǔn)不一樣的跟蹤相比有更多的類(lèi)似性的。當(dāng)一個(gè)數(shù)據(jù)矩陣非常大時(shí)，視覺(jué)檢查是十分困難的，因此，聚類(lèi)分析已變得十分重要。一旦發(fā)現(xiàn)兩個(gè)或兩個(gè)以上跟蹤有關(guān)聯(lián)的同一目標(biāo)，就合并他們?yōu)橐粋€(gè)單一的跟蹤。通過(guò)了采取優(yōu)越的跟蹤，或融合跟蹤為單一跟蹤，也可以做到這一點(diǎn)。優(yōu)越的追蹤可以通過(guò)的對(duì)傳感器分辨率的判斷來(lái)選擇。如果傳感器具有同樣的分辨率，優(yōu)越的追蹤可以根據(jù)目標(biāo)相對(duì)分辨率的操作條件來(lái)選擇。相對(duì)的的分辨率越高，準(zhǔn)確率就越高，這個(gè)方法是傳感器跟蹤估計(jì)。模糊跟蹤融合，跟蹤可以根據(jù)數(shù)據(jù)的相應(yīng)程度來(lái)組合[5]。數(shù)據(jù)融合用于監(jiān)視棉花產(chǎn)量已被采用，它已被成功地用于對(duì)棉花產(chǎn)量建模，例如檢測(cè)與跟蹤棉花地塊的狀態(tài)。另一方面，多傳感器根據(jù)跟蹤的每個(gè)目標(biāo)使用不同的方式觀察。這就是所謂的多種跟蹤的問(wèn)題，它在識(shí)別和跟蹤問(wèn)題上表現(xiàn)出弱勢(shì)。因此，綜合的做法基本上是需要合并多跟蹤為一套獨(dú)特的跟蹤，它們代表了真正的一系列目標(biāo)。模糊聚類(lèi)方法可用于聯(lián)合屬于同一目標(biāo)的多種跟蹤。例如，同一目標(biāo)被傳感器同時(shí)進(jìn)行跟蹤。檢測(cè)跟蹤報(bào)到數(shù)據(jù)融合中心，數(shù)據(jù)融合中心收到幾個(gè)跟蹤。每個(gè)跟蹤包括觀察目標(biāo)的面積和產(chǎn)量信息。該傳感器的不確定性用協(xié)方差矩陣來(lái)表示，該矩陣涉及分類(lèi)資料中面積和產(chǎn)量的測(cè)量誤差的差額，除此之外，還解釋分析在面積和產(chǎn)量測(cè)量中錯(cuò)誤增加的原因。這些錯(cuò)誤被假設(shè)為正態(tài)分布零均值和面積和產(chǎn)量的非零差額。融合前獲得的跟蹤與跟蹤融合相比較顯示出，該方法更接近產(chǎn)量，結(jié)果更令人滿意。七、應(yīng)用在解譯復(fù)雜情況時(shí)，數(shù)據(jù)融合是棉花產(chǎn)量建模系統(tǒng)的一個(gè)應(yīng)用。該系統(tǒng)的對(duì)象是棉花地和測(cè)量數(shù)據(jù)實(shí)體，包括面積和產(chǎn)量跟蹤。所有的傳感器報(bào)告從棉花地塊到數(shù)據(jù)融合中心的觀察實(shí)體。該中心負(fù)責(zé)處理所有的來(lái)自傳感器的報(bào)告信息，以消除多余的跟蹤。對(duì)于每一個(gè)掃描，報(bào)告的信息是棉花地塊的名稱(chēng)，報(bào)告時(shí)間，跟蹤狀態(tài)（感應(yīng)型），號(hào)碼跟蹤，傳感器跟蹤數(shù)量，面積，產(chǎn)量和跟蹤質(zhì)量。擬議的航跡關(guān)聯(lián)和航跡融合方法應(yīng)用到實(shí)際收集來(lái)自TM圖像和統(tǒng)計(jì)傳感器的的數(shù)據(jù)。結(jié)果表明，該方法成功地融合了跟蹤報(bào)導(dǎo)和在所有考慮的情形中選擇優(yōu)越的跟蹤。在所有情況中，數(shù)據(jù)融合模型成功地融合了多余的跟蹤，并顯示了優(yōu)越的追蹤。在現(xiàn)實(shí)和實(shí)際的例子中，結(jié)果表明了不同TM傳感器和統(tǒng)計(jì)傳感器關(guān)聯(lián)、跟蹤融合的功效。因此，數(shù)據(jù)融合框架或架構(gòu)的概念和定義是設(shè)計(jì)和實(shí)施棉花產(chǎn)量建模系統(tǒng)的兩個(gè)關(guān)鍵。該框架結(jié)果表明，新方法具有許多優(yōu)點(diǎn)，如模式建造簡(jiǎn)單，驗(yàn)證正確性容易，管理和維護(hù)棉花產(chǎn)量建模系統(tǒng)容易，易于與其他軟件，如專(zhuān)家系統(tǒng)，機(jī)器學(xué)習(xí)系統(tǒng)，大型數(shù)據(jù)庫(kù)系統(tǒng)和特殊仿真系統(tǒng)集成。CYMS原型系統(tǒng)（棉花產(chǎn)量建模系統(tǒng)）已發(fā)展到能夠分析和處理一些外地遙感影像數(shù)據(jù)和統(tǒng)計(jì)傳感器數(shù)據(jù)，完成棉花產(chǎn)量模型的地理信息系統(tǒng)[6]和RS[7]軟件包設(shè)計(jì)。CYMS的實(shí)施首要考慮是否允許用戶(hù)獲取和利用一切可以利用的有關(guān)TM數(shù)據(jù)和統(tǒng)計(jì)數(shù)據(jù)，及CYMS提供的各種解譯工具，使用復(fù)雜的數(shù)據(jù)處理功能，準(zhǔn)確估計(jì)江蘇省的棉花產(chǎn)量。該CYMS任務(wù)包括棉花面積和產(chǎn)量估計(jì)。棉花產(chǎn)量應(yīng)用模型系統(tǒng)最后的實(shí)驗(yàn)結(jié)果表明，這種結(jié)構(gòu)框架已經(jīng)取得了非常令人滿意的結(jié)果，其數(shù)據(jù)融合速度與過(guò)去我們的傳統(tǒng)方法相比十分快速。八、結(jié)論研究本文介紹的重點(diǎn)是利用融合技術(shù)來(lái)解決棉花產(chǎn)量建模的問(wèn)題，包括對(duì)在復(fù)雜環(huán)境的遙感測(cè)量數(shù)據(jù)結(jié)果統(tǒng)計(jì)，跟蹤融合，決策融合。本文在棉花產(chǎn)量建模領(lǐng)域主要取得了兩個(gè)方面的貢獻(xiàn)，列出如下：（1）提出測(cè)量數(shù)據(jù)結(jié)果統(tǒng)計(jì)、融合技術(shù)。這種方法是基于數(shù)據(jù)融合模型的，適用于不同屬性類(lèi)型的TM和統(tǒng)計(jì)傳感器。（2）研究了棉花產(chǎn)量建模系統(tǒng)中結(jié)合TM和統(tǒng)計(jì)傳感器輸出的最佳融合方法。致謝這項(xiàng)研究已被中國(guó)國(guó)家自然科學(xué)基金會(huì)資助（項(xiàng)目編號(hào)：30030090）。參考文獻(xiàn)[1]R.W.KieferandT.M.Lillesand,RemoteSensingandImageInterpretation,JohnWileyandSons,Inc.,NewYork,1994.[2]J.S.Blaszczynski,!°LandfroCharacterizationwithGIS.!±PhotogrammetricEngineeringandRemoteSensing.Vol.63,pp.183-191,February1997.[3]F.F.Sabins,Remotesensingprinciplesandinterpretation,W.H.FreemanandCo.,SanFrancisco,1978.[4]E.WaltzandJ.Llinas,MultisensorDataFusion,ArtechHouse,Norwood,[5]F.RussoandG.Ramponi,!°Fuzzymethodsformultisensordatafusion,!IEEETransactionsonAerospaceandElectronicSystems,Vol.43,No.2,pp.288-294,April1994.[6]ESRIInc.,IntroducingArc\Info,EnvironmentalSystemsResearchInstituteLtd.,Redlands,CA,1994.[7]ERDASInc.,IMAGINE8.4On-lineHelp,ERDASInc.,Atlanta,

CottonYieldModelingBasedonRSandGISTechniquesLingSunZeshengZhu1.JiangSuAcademyofAgriculturalSciences,Nanjing,2.NavalCommandCollege,Nanjing,Abstractoneapproachtocottonyieldmodelingbasedonthedatafusionmodelisdeveloped.Thedatafusionmodelessentiallyplaystworoles:implementingtheinformationfromRSandGISassociatedwithcottonyieldmodeling,andincreasingprecisionofcottonyieldmodelingbytheinformationrepresentingphysicalandlogicalfusionobjectssubjecttothecottonyieldmonitoring.Keywords-cottonyield;modeling;remotesensing;datafusionI.INTRODUCTIONTheproblemofmonitoringpreciselycottonyieldanditsvariationratewithRemoteSensing(RS)andGeographicInformationSystem(GIS)techniquesisknownasthe“cottonyieldestimation”problem.AllpreviousstudiesdevotedtothisthememakeunrealisticassumptionsaboutRSimagequalityandothercropinfluencewhendealingwithcottonyieldunderpoorimagequalityandcomplexcropgrowingenvironment.Theerrorproducedbythetwofactorsmakesitverydifficulttoincreasetheprecisionofcottonyieldestimation.Thus,oneapproachtocottonyieldmodelingforsolvingtheaboveproblem,basedonthedatafusionmodeltostudytheprincipleandapplicationofcottonyieldmodelingisdeveloped.Thedatafusionmodelessentiallyplaystworoles:implementingtheinformationfromRSandGISassociatedwithcottonyieldmodeling,andincreasingprecisionofcottonyieldmodelingbytheinformationrepresentingphysicalandlogicalfusionobjectssubjecttothemonitoring.Theresultsindicatethatthisapproachhasmanyadvantagesthatincludehighestimationprecision,simplemodelconstruction,easycorrectnessverification,managementandmaintenance,andeasyintegrationwithothersoftwarepackage.II.COTTONYIELDMODELINGWhiletheremotesensingprovidesanimmenseamountofinformationaboutthecottonlandandyield,theanalysisforcottonyieldcanbeenhancedwiththehelpofaGIS.High-resolutionaerialphotographyandfieldsamplescanexposevaluableinformationthatmaybehiddenfromsatellitesensorsduetotheiraltitude.Thecombinationofgroundtruthdatawithsatelliteimageryoftendeliversthemostintegratedandaccurateanalysisapproach[1].ExternallygathereddatacanbeenteredintoaGISalongwiththeimagerydata,sothattheGISallowsforeasysynthesisoftheinterrelateddataandprovidesaneffectivemeansofanalysis.A.SpatialResolutionSpatialresolutionofanimage,expressedinmeters,isdefinedastheminimumdistancebetweentwoindividuallydetectablepointobjectsthatcanbedistinguished.Thesampledefinitionofanimageshouldnotbeconfusedwiththespatialresolution.Topreserveinformationoftheimage,thesampledefinitionemployedinitsdigitizationshouldbesmallerthantheresolution.Detectinganobjectincottonyieldmodelingwillnotguaranteeitsrecognition.Thecharacteristicsize,luminanceandcontrastofcottonlandsinaerialimagesmakethemtypicallydetectableat20mresolutions.Foranexperttoassertthatsomethingiscottonlands(recognition)requiresaresolutionabouttwotimesbetter(10m).Fortheclassificationofcottonlands,theresolutionshouldbebetterthan5m.B.MethodsComputer-visionandalgorithmsarefrequentlybasedonpresumedcharacteristicsofthehumanvision.Oneofthemisthehierarchicalorganization.Thismeansthatrecognitionofcomplexcottonlandsisobtainedbyfirstrecognizingelementarypatterns[2],thenrecognizingmorecomplexpatternsbasedontheirpositionalrelationships.C.ImageProcessingImageenhancement,edgedetection,andthresholdingarecommonlyappliedondigitalimagesasafirststepinextractinginformationaboutcottonyieldmodeling.Linearornon-linearfilteringisextensivelyusedinthesesteps.D.FeatureExtractionFeaturesaregeometricpatternsinimages.Themostimportantbasicofthemisthelinesegment,becauseitsoccurrenceinTMimagesisoftenassociatedwithcottonlandstructures.Interestinghigher-complexityfeatures,likecolor,rightangles,parallellinesegments,andrectanglescanbedefinedwithstraight-linesegments.Parametrictransformsarestandardmethodsofaccomplishingfeatureextractionaboutcottonland.Theymapanimagefromaprimarydomainintoatransformedspacewhereitiseasiertoidentifygeometricfeatures[3].Thetransformedspace,calledaparametricspaceortransformeddomain,isoftenatwodimensionalspacethatcanbedisplayedasanimageaswell.III.DATAFUSIONPRINCIPLETheabovemethodforcottonyieldmodelingcombinesdatafrommultipleTMsensorsystemsandstatisticsensorsystemstoachieveimprovedperformanceandprovidemoreinferencesthancouldbeachievedbyusingasingleTMsensorsystemorstatisticsensorsystem.Here,thestatisticsensorisrelatedtothestatisticdataofcottonlandareaandyieldprovidedbygovernment.Forcottonyieldmodelinginmultisensor-multitargetenvironment,theTMsensorsdonotprovidetotalinformationaboutcottonlandsandthetargetsisnotknownapriori.Thus,themeasurementdatafromsensorsselectedbyaclusteringalgorithmbasedondistance,varietyofcottonlandsandinterpretationsignatureareusedaspartialinputsofthedatafusionmodeltoimplementtheprecisemeasurementofcottonyield.Eventhroughthemulti-sensorsystemisabletomeasurethecottonyieldintheidealconditions,thisisonlyvalidfortheseconditions-theidealconditionsarenottacticallyacceptableforaninterpretertryingtopreventanylargeerror,especiallyinthepoorTMimages.Otherwise,astatisticsensorwilltendtoestimatestatusofothercomplexcottonlands,andthestatusoftheselandscanbeestimatedbystatisticsensorwiththehelpofmeasuringdatafromthemulti-sensorsystem.Thistacticismotivatedbytheeffortsoftheinterpretertofindthecottonyieldinnon-idealTMimagesbythedatafusionbasedonmulti-sensormeasurement.Thedatafusionofcottonyieldmodelinginvolvesdataassociationandstateestimationofcottonlands.OneofthemostimportantaspectsofthedatafusionisdataassociationThatincludesmeasure-to-statisticassociation,measuretomeasureassociation,andmeasurementandstatisticfusion.TherelateddatareferstothemeasurementsfromTMandstatisticsensors.Infact,thefusionistheprocessofcombiningthesemeasurementsandstatisticresultsintoasinglemeasurementandpredictionofthecottonyield.Thus,thedatafusionofTMsensorsandstatisticsensorscanbeextensivelyusedtotrackthestatusofcottonlands.Inthedatafusionsystem,anumberofdistributedTMorstatisticsensorswithdifferentaccuracyandcharacteristicssensemultipleobjectsofcottonlandinanoisyenvironmentofcottonlandsandreportallthemeasureddatatodatafusionsystem.Thedatafusionsystemcombinesallthereceivedinformationfromthemultiplesensorsintoauniquesetofmeaningfulinformationofthesensedobjects.Thus,thedatafusionimprovestheperformanceofcottonyieldmodelingsystemandyieldsmoreaccuratecottonyieldinformationifTMimageandstatisticdataareeffectivelyfusedinacorrectmethod.IV.CONCEPTUALMODELThe“implementdatafusion”incorporatesthreebasiclevelofprocessing.Level1processingconsistsofareaandyieldfusion,whichcombineareaandyielddataderivedfromallTMandstatisticsensorstoobtainthemostaccurateestimateofareaandyieldofanycottonlandblockinaremotesensingarea.Theareaoryieldfusionisalsodividedintoparametricassociationandestimation.Parametricassociationassociatesobservationsfrommultiplesensorstoindividualentities.Parametricassociationisimportantbecauseanincorrectdataassociationwouldaffecttheperformanceofthetarget(cottonlandblock)orstatetracking.Here,thetargetreferstocottonlandblockorstate.Giventheassociationofeachobservationtoeachtarget,estimationtechniquesarethenusedtocombinethedatatoobtainbetterestimateofthestateattributesofcottonlandblocks.Level2processingisaimedatsituationorstateassessmentofcottonyield.Inthislevel,theoutputsfromlevel1processingareanalyzedandexaminedtobringouttheessentialfeaturesofareaandyieldofcottonlandinthecomplexconditions.Level3processingisusedfortheprecisionassessmentofcottonyield.Itspurposeistodeterminethemeaningofthefuseddata,suchasanestimateofcottonlandareaandyield,expectedcoursesofprecisionorstatevariation,andanestimateoferrorofcottonyield.Thelevelusuallyemploysheuristicandstatisticstechniquessimilartothoseforsituationassessmentofcottonlandareaandyield.V.DATAFUSIONMODELThemostimportantfunctioninthedatafusionincottonyieldmodelingistheassociationofthemeasurementstothetargetsbeforeanyestimatescanbemadefromthemeasurements.Dataassociationisreallyresponsibleforpartitioningthemeasurementsintosetsthatcouldhaveoriginatedfromthesametargets[4].Thedataassociationprocessconsistsofthreemainsteps:agatingtechnique,anassociationmetricandanassignmentstrategy.TheGatingtechniqueeliminatesunlikelyobservation-to-trackspairingsbyusingaprioristatisticalknowledge.Thetermtrackreferstostatusofcottonlandblock,includingitsareaandyield.Thisstepisusedtoreducethenumberofcombinationsofobservations-to-trackspairsthatwillbeconsideredfordataassociation.Thesecondstepisusedtodetermineasimilaritymeasurebetweenallobservationsandalltracksofexistingcottonlandblocks.Thefinalstepisusedtosolvetheproblemofassigningobservationstotracks.VI.DATAFUSIONMODELWhentheyaresimilar,tracksrepresentthesametarget,Thecurrentgoalistodecidewhichtracksaresimilar.Itisrequiredtofusethemintoasingletrack.Withasmalldatamatrix,thesimilaranddissimilartrackscanbesimplyfound.Twotracksthathaveaboutthesamevaluesaremoresimilarthantwotracksthatdonot.Whenadatamatrixisverylarge,thevisualinspectionforitisverydifficult,sothatclusteranalysisbecomesessential.Oncetwoormoretrackshavebeenassociatedtothesametarget,theyarecombinedintoasingletrack.Thiscanbedoneeitherbyadoptingthesuperiortrack,orbyfusingthetracksintoasingleone.Thesuperiortrackcanbechosenaccordingtothecharacteristicsofthesensorsintermsofsensorresolutions.Ifthesensorshavethesameresolution,thesuperiortrackischosenaccordingtotheoperatingconditionsthattherelativeresolutiontothetarget.Thehigherrelativeresolutionthemoreaccurateisthesensortrackestimate.Withfuzzytrackfusion,thetrackscanbecombinedaccordingtothecorrespondingdegreesofmembership[5].Thedatafusionprovidessurveillanceofcottonyield,andithasbeenadopted,whereithasbeenusedsuccessfullyforthecottonyieldmodelingsuchasdetectingandtrackingthestatusofacottonlandblock.Ontheotherhand,themultiplesensorscausetrackspertargettobeobservedinadifferentway.Thisproblemiscalledthemultipletracksproblemthatcausesdegradationintheperformanceoftargettrackingandidentification.Thus,anassociationapproachisessentiallyneededtomergethemultipletracksintouniquesetoftracksthatrepresentthetruenumberoftargets.Thefuzzyclusteringapproachcanbeusedtoassociatethemultipletracksthatbelongtothesametarget.Forexample,thesametargetistrackedsimultaneouslybythesensors.Thedetectedtracksarereportedtoadatafusioncenter.Thedatafusioncenterreceivesseveraltracks.Eachtrackconsistsofareaandyieldinformationoftheobservedtarget.Thesensoruncertaintiesarerepresentedbythecovariancematrixthatrelatetothevariancesofthemeasurementerrorsofareaandyieldinformationrespectively.Otherwise,theinterpretationanalysiscausesadditionalerrorsinareaandyieldmeasurements.Theseerrorsareassumedtobenormallydistributedwithzeromeanandnon-zerovariancesinareaandyieldrespectively.Thecomparisonbetweentracksobtainedbeforefusionandthefusedtracksshowsthattheproposedapproachyieldsmoresatisfactoryresults.VII.APPLICATIONArealexampleofadatafusionapplicationincomplexinterpretationscenarioisthecottonyieldmodelingsystem.Here,thetargetsareentitiesforcottonlandblocksandthemeasuringdataincludeareatracks,yieldtracks.Allsensorsreportinformationabouttheobservedentitiesofcottonlandblocktoadatafusioncenter.Thiscenterisresponsibleforprocessingallthereportedinformationfromthesensorstoeliminatetheredundanttracks.Foreachscan,thereportedinformationarecottonlandblockname,timeofreport,trackingstatus(sensortype),tracknumber,sensortracknumber,area,yield,andtrackquality.Theproposedtrack-to-trackassociationandtrackfusionapproachisappliedtorealdatacollectedfromTMimagesandstatisticssensors.Theresultsshowthattheproposedapproachsuccessfullyfusedthereportedtracksandselectedthesuperiortracksinallconsideredscenarios.Inallscenarios,thedatafusionmodelsuccessfullyfusedtheredundanttracksanddisplayedthesuperiortracks.TheresultsshowtheefficiencyoftheproposedapproachtoassociateandfusetracksobtainedfromdifferentTMsensorsandstatisticsensorsinrealandpracticalexamples.Thus,theconceptanddefinitionofdatafusionframeworkorarchitecturearetwokeystodesignandimplementthecottonyieldmodelingsystem.Theresultsfortheframeworkindicatethatthisnewapproachhasmanyadvantagesthatincludesimplemodelconstruction,easycorrectnessverification,managementandmaintenanceofcottonyieldmodelingsystem,andeasyintegrationwithothersoftwarepackages,suchasexpertsystem,machinelearningsystems,largedatabasesystemsandspecialsimulationsystems.AprototypesystemcalledCYMS(cottonyieldmodelingsystem)hasbeendevelopedtoanalyzeandprocessanumberoffielddatafromRSimageandstatisticsensorforcompletingcottonyieldmodelingwithGIS[6]andRS[7]softwarepackages.TheprimaryconsiderationofCYMSimplementationistoallowitsusers