全球及区域尺度的土地覆盖遥感分类制图是全球变化以及陆地表层过程研究的一项重要的基础性工作。在过去的近20年里，国际上已经建立起5种基于遥感制图的全球土地覆盖数据集，包括:GLCC、UMd、GLC2000、MODIS LC和GlobCover，它们易于获取而且免费共享，因而在众多全球及区域性的科学研究中得到了广泛应用。然而，由于这5种数据集彼此之间的差异性、分类系统不能满足某些应用需求，以及数据产品的第三方精度较低而且没有可比性等问题，使得用户在具体应用中选择利用这些数据集时面临严重的挑战和不确定性。　　本研究首先对上述5种全球土地覆盖数据集在中国区域的一致性精度进行了系统的评价，对比分析了它们之间的异同性;在此基础上，采用基于模糊逻辑思想的“证据”融合方法，并结合MODIS VCF、MODIS Cropland/Non-Cropland以及AVHRR CFTC数据，将5种全球土地覆盖数据集进行融合，产生了一种面向陆面过程模型应用的土地覆盖融合数据(SYNLC);最后，在中国区域尺度上，利用在Labeling系统中采用受控分层随机采样法采集得到的土地覆盖样点，以及野外实地采集到的土地覆盖GPS样点数据，对土地覆盖融合数据及5种源数据集的精度进行定量验证与对比分析。得出如下结论：⑴就面积数量精度而言，Grassland、Cropland、Water和Others在5种数据集中的面积一致性较高，而其他类型，特别是Deciduous Needleleaf Forest、Mixed Forest、Wetland和Urban的面积差异明显;就空间一致性来讲，5种土地覆盖数据集的空间一致性精度较好，中等一致性、高一致性和完全一致性所占比例之和约为70％，而低一致性和完全不一致所占比例较低，特别是完全不一致所占的比例不足2.5％。⑵与土地覆盖参考数据相比，5种数据集中的Water和Others的面积差异较小，而Mixed Forest的面积差异非常明显;5种数据集中的Grassland、Cropland、Water、Urban和Others与参考数据中这些类型的空间完全一致性较高。整体上来说，GLC2000与参考数据中各类型的面积一致性最好，空间一致性也最好，其完全一致性约为52％，而UMd与参考数据的空间一致性最差，二者之间的完全不一致性高达67％左右。⑶土地覆盖一级类融合数据的分类质量较高，各生物形态类型的变异程度值均小于0.5，土地覆盖二级类融合数据中的叶属性类型的变异程度值很大。其中，Trees的融合分类精度极高，Others、Grassland、Shrubland、Wetland的分类精度也较高，Cropland和Water的分类精度一般，而Urban的分类精度较低。⑷与5种源土地覆盖数据集相比，融合数据SYNLC的一级类和二级类的平均总体一致性精度都是最高的，分别约为66％和60％，而且SYNLC与其他5种数据集之间的总体一致性均是最好的;同时，SYNLC中除Shrubland类型外的其他7种生物形态类型，以及Trees类型的5种叶属性的平均一致性精度也是最高的，而且SYNLC的Trees、Grassland、Cropland、Water、Urban和Others6种类型的平均一致性精度均比其在5种源数据集中的平均一致性精度的最大值提高10％-15％左右，而5类叶属性的平均一致性精度也提高了10％左右。⑸6种土地覆盖数据集精度的定量评价结果显示:与5种源数据集相比，土地覆盖一级类和二级类融合数据的总体分类精度最高，分别约为71％和55％;而5种源土地覆盖数据集的一级类总体精度由高到低依次是MODIS LC、GLC2000、GlobCover、GLCC和UMd，其总体精度的差异反映出全球土地覆盖制图在数据源和技术方法等方面的全面进步。此外，融合数据SYNLC中各个一级类型，特别是Trees和Cropland，以及SYNLC中的各个二级类型的用户精度和制图精度均高于其相应类型在5种源数据集中的平均用户精度和平均制图精度，这充分凸显了MODIS VCF、MODIS Cropland/Non-Cropland和AVHRR CFTC3种数据集在土地覆盖融合数据集生成中的突出贡献。总的来说，在中国区域范围内，土地覆盖融合数据SYNLC与5种源土地覆盖数据集的一致性最好，其数据精度也有所提高，这在一定程度的上反映出基于模糊逻辑思想的“证据”融合方法的可行性和有效性。