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统变化最为重要的影响因素之一[1]。大尺度土地覆被分类制图工作尤为重要，它为全球陆地表层过程与生态系统碳水循环模拟[2-5]、气候变化[6]、土壤侵蚀[7]、生物多样性[8]、人地关系及区域可持续发展[9]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[10-19]，并在全球或区域尺度的科学研究和应用中发挥了重要作用。然而，由于数据生产者采用了不同的输入数据源、分类系统和制图技术，目前已经建立的全球土地覆被数据集彼此之间存在明显的差异，包括类型数量及其空间分布在相同区域尺度上的不一致性[20-23]，从而导致用户在具体应用中使用这些数据时存在很多不确定性，主要体现在：①全球土地覆被数据集的第三方精度评价并不高；②数据生产者各自使用了不同的验证框架和参考数据，使得这些独立完成的土地覆被数据集精度评价结果之间没有可比性。因此，在具体应用中，用户面临如何选择以及为什么选择某种土地覆被数据的不确定性挑战。 此外，单一的土地覆被数据集不能满足研究应用需求的问题日益凸显出来。在多源数据共存和集成研究的背景下，采用信息融合技术进行土地覆被分类制图是全球变化研究的主要发展趋势之一。数据融合是一个多层次、多方面的数据处理过程，可用来处理不同数据之间分类系统的不兼容，并在一定程度上提高数据的精度[24]。许多国际组织，如全球森林和土地覆被动态变化监测站(Global Observation of Forest and Land Cover Dynamics，GOFC-GOLD)、国际粮农组织(Food and Agricultural Organizations，FAO)以及全球陆地观测系统(Global Terrestrial Observing Systems，GTOS)等共同合作，致力于融合两种或两种以上全球土地覆被数据集信息，以期生产精度更高的土地覆被数据产品的研究[25]，并于2014年共同发布了一套全球土地覆被数据库GLC-SHARE(Global Land Cover SHARE)，主要是以欧洲空间局的GlobCover-2009为主要信息，采用数据融合技术将质量较高的全球不同国家级尺度土地覆被数据以图注的形式实现了全球范围内的可视化展示[16]。 在已有的对5套全球宏观尺度土地覆被数据集GLCC、UMD、GLC2000、MODIS LC和GlobCover的类型、空间一致性及其精度进行系统的对比评价，在了解它们各自的优缺点的基础上[22，26]，本文从相关性分值的定义和融合规则出发，结合利用土地覆被辅助数据集，提出并设计一种基于模糊逻辑思想的证据融合方法实现多源土地覆被信息的综合，产出一套精度较高的全球土地覆被融合数据产品，并对其与5套源土地覆被数据集的一致性精度进行对比评价与分析。本研究不仅能够有效解决现存的土地覆被数据集之间不兼容及其数据精度有限的问题，同时能为在多种数据并存的背景下，利用多源数据决策融合技术进行大尺度土地覆被制图研究提供技术支持与科学指导。 2 数据源及其预处理 2.1 多源土地覆被信息 本文用到的多源土地覆被相关数据集包括以下8个，其基本特征如表1所示： (1)美国地质调查局(United States Geological Survey，USGS)建立的国际地圈生物圈计划(International Geosphere-Biosphere Programme，IGBP)分类(17类)的全球土地覆被数据(Global Land Cover Characterization，GLCC)[10]； (2)美国马里兰大学建立的简化IGBP分类(14类)的全球土地覆被数据UMD[12]； (3)欧洲联合研究中心建立的FAO LCCS(Land Cover Classification System)分类(23类)的全球土地覆被数据GLC2000(Global Land Cover 2000 project data)[13]； (4)波士顿大学建立的IGBP分类(17类)的全球土地覆被数据MODIS LC(Moderate Resolution Imaging Spectro-radiometer annual land cover product,Collection 5)[11]； (5)欧洲空间局建立的联合国LCCS分类(22类)的全球土地覆被GlobCover(Global Land Cover Map)[27]； (6)美国马里兰大学建立的全球植被连续覆盖数据MODIS VCF(Vegetation Continuous Field)[28]； (7)美国南达科他州立大学建立的全球农田分布概率数据MODIS Cropland Probability[29]；
