基于遥感和地理信息系统技术的棉花产量建模

基于遥感和地理信息系统技术的棉花产量建模PAGEPAGE13基于遥感和地理信息系统技术的棉花产量建模摘要棉花产量模型是以建模数据融合模型为基础发展而来的一种方法。数据融合模型基本上有两方面作用：执行棉花产量模型的RS与GIS信息，通过利用棉花产量模型的代表物理和逻辑融合物体信息，提高棉花产量建模精度。关键词：棉花产量建模遥感数据融合一、前言利用遥感（RS）和地理信息系统（GIS）技术准确检测棉花产量及其变化率问题，称为“棉花产量估计”问题。以往致力于这一主题的研究时，在处理图像质量恶劣、作物生长环境复杂的棉花产量的，对于遥感图像质量和其他作物的影响，都作出了不切实际的假设。由这两个因素产生的错误使人们很难提高棉花产量估计的精度。因此，为解决上述棉花产量建模问题的方法便产生了，即在数据融合模型的基础上，研究棉花产量模型的原理与应用。数据融合模型基本上有两方面作用：执行棉花产量模型的RS与GIS信息，通过利用棉花产量模型的代表物理和逻辑融合物体信息，提高棉花产量建模精度。结果表明，这种方法有许多优点，其中包括估计精度高，模式建造简单，正确性验证，管理和维护容易，易于与其他软件集成。二、棉花产量建模遥感提供了大量的有关土地和棉花的产量的信息，地理信息系统帮助分析棉花产量。受到卫星传感器的高度的限制，有些资料可能被隐藏，而高分辨率航空摄影和田间样品可以获得这些宝贵的资料。地面真实数据和卫星图像相结合，往往能成为最完整和准确的分析方法[1]。外部数据随图像数据输入形成一个地理信息系统，从而地理信息系统有了合成的相互关联的数据，为分析问题提供了有效的手段。1.空间分辨率图片空间分辨率，以米为单位表示，可以定义为：探测两个点，能够把这两个点区分出来的两点间的最小距离。样本定义的图像不能与空间分辨率混淆。为了保持图片的信息，样本采用的定义在数字化方面小于空间分辨率。检测一个在棉花产量模型中的目标不能保证被分辨出来。在航测图片上，棉花图片的特征尺寸，亮度和对比度，这些特征被发觉通常在需要20米的分辨率。专家断言，分辨出哪些是棉花地（空间分辨率），需要的分辨率要高两倍（10米）。对棉花地的分类，其分辨率最好高于五米。2.方法计算机视觉和算法往往建立在人类视觉的推理特性的基础上。其中之一是分层组织。这意味着复杂的棉花领域的分辨率是通过第一次获得的最初的模型，然后基于上他们的位置关系认识到更复杂的模式。3．图像处理图像增强，边缘检测，和阈值通常适用于数字图像在提取有关棉花产量模型信息的第一步。线性或非线性滤波中广泛使用这些步骤。4．特征提取在图像中，图像特征就是几何图案。线段是它们最重要的基础，因为在TM图像中它往往与棉花的土地结构相关联。提到更高复杂的特征，如颜色，直角，平行线段和矩形，它们可以用直线段来定义。参数变换是完成关于棉花土地特征提取的标准方法。他们从主域绘制一个图片转换到很容易确定几何特征的转化空间，[3]。这转化的空间，称为参数空间或转化域，它往往是一个二维空间，并可用图像显示。三、数据融合原理在棉花产量数据建模中，上述提到的方法结合了来自多个TM传感器系统和统计传感器系统的数据，跟使用单个TM传感器系统或统计传感器系相比，该方法实现了更高的性能，并提供更多的推论。在这里，统计传感器涉及到政府提供的棉花面积和产量的有关统计数据。在多传感器，多目标的环境中，对棉花产量建模，TM传感器没有提供有关棉花地的所有信息，并且目标不是预知的。因此，从传感器得到的测量数据，是通过使用基于距离的一种聚类算法选择而来的，各种棉花土地和表面特征当作一部分投入到数据融合模型中，实施精确测量棉花产量。虽然在理想的条件下通过使用多传感器系统能够衡量棉花的产量，但是对于在使用防止错误的解释后不能达到理想条件，特别是TM图像质量差的的情况下，前面论述的方法才是唯一有效的。除此以外，统计传感器将使用于估计复杂棉花地的状态，并且在利用多传感器系统获得的数据的情况下使用统计传感器能够估计土地状态。这种决策的动机是努力找到一种方法，来减小在基于多传感器测量获得的非理想TM图像进行数据融合时对解析棉花产量造成的影响。棉花产量模型的数据融合涉及棉花产量数据关联和棉花土地的状态估计。数据融合中最重要的是数据关联，其中包括测量到统计关联，测量到测量关联，测量和统计融合。关联数据指的是从TM和统计传感器得到的测量数据。事实上，融合是把测量和统计结果结合起来，得到一个单一的有关棉花产量的测量和预测结果的过程。因此，TM和统计传感器的数据融合可广泛用于跟踪棉花土地状态。在数据融合系统中，一些分布式TM或不同统计准确性和特点的传感器测出在棉花地复杂环境中棉花地的多种物体并把所有的测量数据报到融合系统。数据融合系统结合了所有从多个传感器收到的信息到感知物体有用信息的独特一套。因此，如果TM图像和统计数据能以一个正确的方法有效地融合的话，数据融合会提高棉花产量模型的性能和棉花产量建模系统的精度。四、概念模型该“数据融合的实施”包含三级处理。1级处理包括面积和产量融合，结合来自于各种TM传感器和统计传感器的产量数据和面积，准确估计在遥感领域的任何棉花地块的面积和产量。面积或产量融合也分为参数关联和估计。参数关联联合来自从多传感器到个别实体的观测资料。参数关联是重要的，因为一个不正确的数据关联将影响目标成果（棉花地块）或状态跟踪。在这里，目标是指棉花地块或状态。考虑到每一个观察资料到每一个目标的关联，然后与估计技术结合起来使用，以获得更好的对棉花地块的状态属性的估计。第2级处理的目的是棉花产量的形势或状态估计。在这一级，从1级处理出的结果，经过分析和审查，以得出在复杂棉花的条件下地影响棉花面积和产量的基本特点。第三级是用于对棉花产量的精确评价。其目的是要确定融合数据的意义，如估计棉花面积和产量，预计精密评价的过程或状态变化，并估计棉花产量的误差。该级别通常采用类似于棉花面积和产量情况估计的启发式和统计技术。五、数据融合模型在棉花产量模型数据融合中最重要的功能是在做任何从测量中得到的估计前使测量目标关联。数据关联在把可能来自同一目标的测量数据分割成集，这是真正重要的[4]。数据关联过程包括三个主要步骤：数据输入技术，测量关联和战略作用。输入技术解决使用先验统计知识不可能实现从观测到摄影追踪的配对问题。这个名词是指追踪棉花块地的状态，包括其面积和产量。这一步是用来降低从观测到跟踪的配对的组合数量，这些配对在数据关联上要被考虑的。第二个步骤是从所有测量资料和所有现有棉花地跟踪上确定测量的相似性。最后一步是用来解决观测到跟踪的问题。六、数据融合模型同一个目标的跟踪类似，目前的目标是要决定哪些跟踪类似。这是需要将这些技术整合到一个单一的跟踪。通过小数据矩阵，类似的和不同的跟踪可以很容易的被发现。具有两个类似的评价标准的两个跟踪和评价标准不一样的跟踪相比有更多的类似性的。当一个数据矩阵非常大时，视觉检查是十分困难的，因此，聚类分析已变得十分重要。一旦发现两个或两个以上跟踪有关联的同一目标，就合并他们为一个单一的跟踪。通过了采取优越的跟踪，或融合跟踪为单一跟踪，也可以做到这一点。优越的追踪可以通过的对传感器分辨率的判断来选择。如果传感器具有同样的分辨率，优越的追踪可以根据目标相对分辨率的操作条件来选择。相对的的分辨率越高，准确率就越高，这个方法是传感器跟踪估计。模糊跟踪融合，跟踪可以根据数据的相应程度来组合[5]。数据融合用于监视棉花产量已被采用，它已被成功地用于对棉花产量建模，例如检测与跟踪棉花地块的状态。另一方面，多传感器根据跟踪的每个目标使用不同的方式观察。这就是所谓的多种跟踪的问题，它在识别和跟踪问题上表现出弱势。因此，综合的做法基本上是需要合并多跟踪为一套独特的跟踪，它们代表了真正的一系列目标。模糊聚类方法可用于联合属于同一目标的多种跟踪。例如，同一目标被传感器同时进行跟踪。检测跟踪报到数据融合中心，数据融合中心收到几个跟踪。每个跟踪包括观察目标的面积和产量信息。该传感器的不确定性用协方差矩阵来表示，该矩阵涉及分类资料中面积和产量的测量误差的差额，除此之外，还解释分析在面积和产量测量中错误增加的原因。这些错误被假设为正态分布零均值和面积和产量的非零差额。融合前获得的跟踪与跟踪融合相比较显示出，该方法更接近产量，结果更令人满意。七、应用在解译复杂情况时，数据融合是棉花产量建模系统的一个应用。该系统的对象是棉花地和测量数据实体，包括面积和产量跟踪。所有的传感器报告从棉花地块到数据融合中心的观察实体。该中心负责处理所有的来自传感器的报告信息，以消除多余的跟踪。对于每一个扫描，报告的信息是棉花地块的名称，报告时间，跟踪状态（感应型），号码跟踪，传感器跟踪数量，面积，产量和跟踪质量。拟议的航迹关联和航迹融合方法应用到实际收集来自TM图像和统计传感器的的数据。结果表明，该方法成功地融合了跟踪报导和在所有考虑的情形中选择优越的跟踪。在所有情况中，数据融合模型成功地融合了多余的跟踪，并显示了优越的追踪。在现实和实际的例子中，结果表明了不同TM传感器和统计传感器关联、跟踪融合的功效。因此，数据融合框架或架构的概念和定义是设计和实施棉花产量建模系统的两个关键。该框架结果表明，新方法具有许多优点，如模式建造简单，验证正确性容易，管理和维护棉花产量建模系统容易，易于与其他软件，如专家系统，机器学习系统，大型数据库系统和特殊仿真系统集成。CYMS原型系统（棉花产量建模系统）已发展到能够分析和处理一些外地遥感影像数据和统计传感器数据，完成棉花产量模型的地理信息系统[6]和RS[7]软件包设计。CYMS的实施首要考虑是否允许用户获取和利用一切可以利用的有关TM数据和统计数据，及CYMS提供的各种解译工具，使用复杂的数据处理功能，准确估计江苏省的棉花产量。该CYMS任务包括棉花面积和产量估计。棉花产量应用模型系统最后的实验结果表明，这种结构框架已经取得了非常令人满意的结果，其数据融合速度与过去我们的传统方法相比十分快速。八、结论研究本文介绍的重点是利用融合技术来解决棉花产量建模的问题，包括对在复杂环境的遥感测量数据结果统计，跟踪融合，决策融合。本文在棉花产量建模领域主要取得了两个方面的贡献，列出如下：（1）提出测量数据结果统计、融合技术。这种方法是基于数据融合模型的，适用于不同属性类型的TM和统计传感器。（2）研究了棉花产量建模系统中结合TM和统计传感器输出的最佳融合方法。致谢这项研究已被中国国家自然科学基金会资助（项目编号：30030090）。参考文献[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