全球尺度多源土地覆被数据融合与评价研究-地理学报.PDF

第73 卷第11期 地 理 学 报 Vol.73, No.11 2018 年11月 ACTA GEOGRAPHICA SINICA November, 2018 全球尺度多源土地覆被数据融合与评价研究 1, 2 3 白 燕 ，冯 敏 （1. 中国科学院地理科学与资源研究所资源与环境信息系统国家重点实验室，北京 100101；2. 江苏省地理 信息资源开发与利用协同创新中心，南京210023 ；3. 马里兰大学地理科学系，美国马里兰20742 ） 摘要：精确的全球及区域尺度土地覆被遥感分类数据是全球变化、陆地表层过程模拟、生态文 明建设及区域可持续发展等研究的重要基础数据。本文以5 套全球土地覆被数据集GLCC、 UMD 、GLC2000 、MODIS LC 、GlobCover 为研究对象，结合MODIS VCF 、MODIS Cropland Probability 以及AVHRR CFTC 数据集，设计一种基于模糊逻辑思想的证据融合方法实现上述 多源土地覆被信息的决策融合，生成一套依据植物功能型分类的全球1 km 土地覆被融合数据 SYNLCover。结果显示，与5 套源土地覆被数据集相比：①在总体一致性精度上，SYNLCover 的8 个生物形态类型和12个目标类型的平均总体一致性精度最高，分别约为65.6%和59.4% ， 其次依次是MODIS LC 、GLC2000 、GLCC 和GlobCover ，UMD 的最低，分别约为48.9% 和 42.6% ，而且SYNLCover 与5 套源土地覆被数据集两两相比的总体一致性都是最好的；②在类 型一致性精度上，除灌丛类型外，SYNLCover 中包括森林、草地、耕地、湿地、水体、城镇建筑和 其他7 种生物形态类型，以及森林类型的5 种叶属性的平均一致性精度也是最高的，如其他类 型的平均一致性精度可达67.73% ；③除灌丛和湿地类型外，SYNLCover 的其余6 种生物形态 类型的平均一致性精度均比其在5 套源数据中相应的一致性精度的最大值提高了10%~15%左 右；森林类型的5 种叶属性的一致性精度也提高了约10% 。SYNLCover 分类精度的提高反映 了本研究设计的多源数据融合方法的可行性和有效性。 关键词：土地覆被；模糊逻辑；相关性分值；数据融合；一致性精度评价；多源信息 DOI: 10.11821/dlxb201811013 1 引言 土地覆被空间分布及其变化反映了人类社会经济活动过程，被视为全球陆地生态系 [1] 统变化最为重要的影响因素之一 。大尺度土地覆被分类制图工作尤为重要，它为全球陆 [2-5] [6] [7] [8] 地表层过程与生态系统碳水循环模拟 、气候变化 、土壤侵蚀 、生物多样性 、人地 [9] 关系及区域可持续发展 等研究提供了基础的输入数据源。国际社会十分重视全球地表覆 被及其变化研究，自20 世纪90 年代起，世界各国许多组织 （如美国地质调查局、欧空 局、中国国家测绘地理信息局等）相继运用不同的遥感影像和分类技术，开展了以土地 [10- 19] 覆被为主体的遥感制图研究，形成了一系列不同时空分辨率的全球土地覆被数据集 ， 收稿日期：2018-01-24; 修订日期：2018-08-22 基金项目：科技基础资源调查专项课题(2017FY 100900); 资源与环境信息系统国家重点实验室青年人才培养基金