基于遙感和地理信息系統(tǒng)技術的棉花產(chǎn)量建模

基于遙感和地理信息系統(tǒng)技術的棉花產(chǎn)量建模PAGEPAGE13基于遙感和地理信息系統(tǒng)技術的棉花產(chǎn)量建模摘要棉花產(chǎn)量模型是以建模數(shù)據(jù)融合模型為基礎發(fā)展而來的一種方法。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）技術準確檢測棉花產(chǎn)量及其變化率問題，稱為“棉花產(chǎn)量估計”問題。以往致力于這一主題的研究時，在處理圖像質量惡劣、作物生長環(huán)境復雜的棉花產(chǎn)量的，對于遙感圖像質量和其他作物的影響，都作出了不切實際的假設。由這兩個因素產(chǎn)生的錯誤使人們很難提高棉花產(chǎn)量估計的精度。因此，為解決上述棉花產(chǎn)量建模問題的方法便產(chǎn)生了，即在數(shù)據(jù)融合模型的基礎上，研究棉花產(chǎn)量模型的原理與應用。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。結果表明，這種方法有許多優(yōu)點，其中包括估計精度高，模式建造簡單，正確性驗證，管理和維護容易，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。地面真實數(shù)據(jù)和衛(wèi)星圖像相結合，往往能成為最完整和準確的分析方法[1]。外部數(shù)據(jù)隨圖像數(shù)據(jù)輸入形成一個地理信息系統(tǒng)，從而地理信息系統(tǒng)有了合成的相互關聯(lián)的數(shù)據(jù)，為分析問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：探測兩個點，能夠把這兩個點區(qū)分出來的兩點間的最小距離。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。檢測一個在棉花產(chǎn)量模型中的目標不能保證被分辨出來。在航測圖片上，棉花圖片的特征尺寸，亮度和對比度，這些特征被發(fā)覺通常在需要20米的分辨率。專家斷言，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）。對棉花地的分類，其分辨率最好高于五米。2.方法計算機視覺和算法往往建立在人類視覺的推理特性的基礎上。其中之一是分層組織。這意味著復雜的棉花領域的分辨率是通過第一次獲得的最初的模型，然后基于上他們的位置關系認識到更復雜的模式。3．圖像處理圖像增強，邊緣檢測，和閾值通常適用于數(shù)字圖像在提取有關棉花產(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，因為在TM圖像中它往往與棉花的土地結構相關聯(lián)。提到更高復雜的特征，如顏色，直角，平行線段和矩形，它們可以用直線段來定義。參數(shù)變換是完成關于棉花土地特征提取的標準方法。他們從主域繪制一個圖片轉換到很容易確定幾何特征的轉化空間，[3]。這轉化的空間，稱為參數(shù)空間或轉化域，它往往是一個二維空間，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，上述提到的方法結合了來自多個TM傳感器系統(tǒng)和統(tǒng)計傳感器系統(tǒng)的數(shù)據(jù)，跟使用單個TM傳感器系統(tǒng)或統(tǒng)計傳感器系相比，該方法實現(xiàn)了更高的性能，并提供更多的推論。在這里，統(tǒng)計傳感器涉及到政府提供的棉花面積和產(chǎn)量的有關統(tǒng)計數(shù)據(jù)。在多傳感器，多目標的環(huán)境中，對棉花產(chǎn)量建模，TM傳感器沒有提供有關棉花地的所有信息，并且目標不是預知的。因此，從傳感器得到的測量數(shù)據(jù)，是通過使用基于距離的一種聚類算法選擇而來的，各種棉花土地和表面特征當作一部分投入到數(shù)據(jù)融合模型中，實施精確測量棉花產(chǎn)量。雖然在理想的條件下通過使用多傳感器系統(tǒng)能夠衡量棉花的產(chǎn)量，但是對于在使用防止錯誤的解釋后不能達到理想條件，特別是TM圖像質量差的的情況下，前面論述的方法才是唯一有效的。除此以外，統(tǒng)計傳感器將使用于估計復雜棉花地的狀態(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)計傳感器能夠估計土地狀態(tài)。這種決策的動機是努力找到一種方法，來減小在基于多傳感器測量獲得的非理想TM圖像進行數(shù)據(jù)融合時對解析棉花產(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)關聯(lián)和棉花土地的狀態(tài)估計。數(shù)據(jù)融合中最重要的是數(shù)據(jù)關聯(lián)，其中包括測量到統(tǒng)計關聯(lián)，測量到測量關聯(lián)，測量和統(tǒng)計融合。關聯(lián)數(shù)據(jù)指的是從TM和統(tǒng)計傳感器得到的測量數(shù)據(jù)。事實上，融合是把測量和統(tǒng)計結果結合起來，得到一個單一的有關棉花產(chǎn)量的測量和預測結果的過程。因此，TM和統(tǒng)計傳感器的數(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)計準確性和特點的傳感器測出在棉花地復雜環(huán)境中棉花地的多種物體并把所有的測量數(shù)據(jù)報到融合系統(tǒng)。數(shù)據(jù)融合系統(tǒng)結合了所有從多個傳感器收到的信息到感知物體有用信息的獨特一套。因此，如果TM圖像和統(tǒng)計數(shù)據(jù)能以一個正確的方法有效地融合的話，數(shù)據(jù)融合會提高棉花產(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)融合的實施”包含三級處理。1級處理包括面積和產(chǎn)量融合，結合來自于各種TM傳感器和統(tǒng)計傳感器的產(chǎn)量數(shù)據(jù)和面積，準確估計在遙感領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)關聯(lián)和估計。參數(shù)關聯(lián)聯(lián)合來自從多傳感器到個別實體的觀測資料。參數(shù)關聯(lián)是重要的，因為一個不正確的數(shù)據(jù)關聯(lián)將影響目標成果（棉花地塊）或狀態(tài)跟蹤。在這里，目標是指棉花地塊或狀態(tài)?？紤]到每一個觀察資料到每一個目標的關聯(lián)，然后與估計技術結合起來使用，以獲得更好的對棉花地塊的狀態(tài)屬性的估計。第2級處理的目的是棉花產(chǎn)量的形勢或狀態(tài)估計。在這一級，從1級處理出的結果，經(jīng)過分析和審查，以得出在復雜棉花的條件下地影響棉花面積和產(chǎn)量的基本特點。第三級是用于對棉花產(chǎn)量的精確評價。其目的是要確定融合數(shù)據(jù)的意義，如估計棉花面積和產(chǎn)量，預計精密評價的過程或狀態(tài)變化，并估計棉花產(chǎn)量的誤差。該級別通常采用類似于棉花面積和產(chǎn)量情況估計的啟發(fā)式和統(tǒng)計技術。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量中得到的估計前使測量目標關聯(lián)。數(shù)據(jù)關聯(lián)在把可能來自同一目標的測量數(shù)據(jù)分割成集，這是真正重要的[4]。數(shù)據(jù)關聯(lián)過程包括三個主要步驟：數(shù)據(jù)輸入技術，測量關聯(lián)和戰(zhàn)略作用。輸入技術解決使用先驗統(tǒng)計知識不可能實現(xiàn)從觀測到攝影追蹤的配對問題。這個名詞是指追蹤棉花塊地的狀態(tài)，包括其面積和產(chǎn)量。這一步是用來降低從觀測到跟蹤的配對的組合數(shù)量，這些配對在數(shù)據(jù)關聯(lián)上要被考慮的。第二個步驟是從所有測量資料和所有現(xiàn)有棉花地跟蹤上確定測量的相似性。最后一步是用來解決觀測到跟蹤的問題。六、數(shù)據(jù)融合模型同一個目標的跟蹤類似，目前的目標是要決定哪些跟蹤類似。這是需要將這些技術整合到一個單一的跟蹤。通過小數(shù)據(jù)矩陣，類似的和不同的跟蹤可以很容易的被發(fā)現(xiàn)。具有兩個類似的評價標準的兩個跟蹤和評價標準不一樣的跟蹤相比有更多的類似性的。當一個數(shù)據(jù)矩陣非常大時，視覺檢查是十分困難的，因此，聚類分析已變得十分重要。一旦發(fā)現(xiàn)兩個或兩個以上跟蹤有關聯(lián)的同一目標，就合并他們?yōu)橐粋€單一的跟蹤。通過了采取優(yōu)越的跟蹤，或融合跟蹤為單一跟蹤，也可以做到這一點。優(yōu)越的追蹤可以通過的對傳感器分辨率的判斷來選擇。如果傳感器具有同樣的分辨率，優(yōu)越的追蹤可以根據(jù)目標相對分辨率的操作條件來選擇。相對的的分辨率越高，準確率就越高，這個方法是傳感器跟蹤估計。模糊跟蹤融合，跟蹤可以根據(jù)數(shù)據(jù)的相應程度來組合[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棉花產(chǎn)量建模，例如檢測與跟蹤棉花地塊的狀態(tài)。另一方面，多傳感器根據(jù)跟蹤的每個目標使用不同的方式觀察。這就是所謂的多種跟蹤的問題，它在識別和跟蹤問題上表現(xiàn)出弱勢。因此，綜合的做法基本上是需要合并多跟蹤為一套獨特的跟蹤，它們代表了真正的一系列目標。模糊聚類方法可用于聯(lián)合屬于同一目標的多種跟蹤。例如，同一目標被傳感器同時進行跟蹤。檢測跟蹤報到數(shù)據(jù)融合中心，數(shù)據(jù)融合中心收到幾個跟蹤。每個跟蹤包括觀察目標的面積和產(chǎn)量信息。該傳感器的不確定性用協(xié)方差矩陣來表示，該矩陣涉及分類資料中面積和產(chǎn)量的測量誤差的差額，除此之外，還解釋分析在面積和產(chǎn)量測量中錯誤增加的原因。這些錯誤被假設為正態(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，結果更令人滿意。七、應用在解譯復雜情況時，數(shù)據(jù)融合是棉花產(chǎn)量建模系統(tǒng)的一個應用。該系統(tǒng)的對象是棉花地和測量數(shù)據(jù)實體，包括面積和產(chǎn)量跟蹤。所有的傳感器報告從棉花地塊到數(shù)據(jù)融合中心的觀察實體。該中心負責處理所有的來自傳感器的報告信息，以消除多余的跟蹤。對于每一個掃描，報告的信息是棉花地塊的名稱，報告時間，跟蹤狀態(tài)（感應型），號碼跟蹤，傳感器跟蹤數(shù)量，面積，產(chǎn)量和跟蹤質量。擬議的航跡關聯(lián)和航跡融合方法應用到實際收集來自TM圖像和統(tǒng)計傳感器的的數(shù)據(jù)。結果表明，該方法成功地融合了跟蹤報導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)實和實際的例子中，結果表明了不同TM傳感器和統(tǒng)計傳感器關聯(lián)、跟蹤融合的功效。因此，數(shù)據(jù)融合框架或架構的概念和定義是設計和實施棉花產(chǎn)量建模系統(tǒng)的兩個關鍵。該框架結果表明，新方法具有許多優(yōu)點，如模式建造簡單，驗證正確性容易，管理和維護棉花產(chǎn)量建模系統(tǒng)容易，易于與其他軟件，如專家系統(tǒng)，機器學習系統(tǒng)，大型數(shù)據(jù)庫系統(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]軟件包設計。CYMS的實施首要考慮是否允許用戶獲取和利用一切可以利用的有關TM數(shù)據(jù)和統(tǒng)計數(shù)據(jù)，及CYMS提供的各種解譯工具，使用復雜的數(shù)據(jù)處理功能，準確估計江蘇省的棉花產(chǎn)量。該CYMS任務包括棉花面積和產(chǎn)量估計。棉花產(chǎn)量應用模型系統(tǒng)最后的實驗結果表明，這種結構框架已經(jīng)取得了非常令人滿意的結果，其數(shù)據(jù)融合速度與過去我們的傳統(tǒng)方法相比十分快速。八、結論研究本文介紹的重點是利用融合技術來解決棉花產(chǎn)量建模的問題，包括對在復雜環(huán)境的遙感測量數(shù)據(jù)結果統(tǒng)計，跟蹤融合，決策融合。本文在棉花產(chǎn)量建模領域主要取得了兩個方面的貢獻，列出如下：（1）提出測量數(shù)據(jù)結果統(tǒng)計、融合技術。這種方法是基于數(shù)據(jù)融合模型的，適用于不同屬性類型的TM和統(tǒng)計傳感器。（2）研究了棉花產(chǎn)量建模系統(tǒng)中結合TM和統(tǒng)計傳感器輸出的最佳融合方法。致謝這項研究已被中國國家自然科學基金會資助（項目編號：30030090）。參考文獻[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