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