生态、水文等地表过程模型模拟及其定量分析通常在某一选定的空间尺度上进行，作为输入变量之一的地表景观格局数据一般通过遥感影像分类而获得，但存在着遥感影像分类数据的空间分辨率与模拟模型空间单元尺度不一致的问题，需要进行遥感影像分类数据的空间尺度转换。很多情况下要通过空间聚合方式，将大区域遥感影像分类数据从高分辨率转换到低空间分辨率上，以代替相应空间尺度的遥感影像分类数据。空间尺度转换，即空间聚合过程，将不可避免地会带来遥感影像分类数据失真或者地表景观格局的信息损失。为将空间聚合造成的数据失真或者信息损失减少到最小，通常需要进行遥感分类数据空间聚合方法评价。通常的空间聚合方法评价主要通过与地物类型原始比例或者地表景观空间格局的比较来评价数据失真或者信息损失，但很少有将空间聚合后的遥感分类数据与相同空间尺度上遥感影像分类数据进行比较的研究。　　 本文将0.27m高分辨率航片分类数据采用最常用的两种空间聚合方法——中心像元法、最大面积法——聚合到10m、30m尺度，基于像元提出的空间聚合相似度指标以及基于类型水平和景观水平空间格局将10m、30m聚合数据分别与相同尺度的ALOS分类数据、TM分类数据进行比较，研究目的在于得到两种聚合方法中最近似相同尺度遥感分类数据的空间聚合方法。在此基础上分析了聚合数据空间分布影响因素，并且定量分析了空间聚合相似度与景观类型聚集度的关系。最后对遥感分类数据空间聚合内在机制进行分析。　　 研究结果表明，聚集度较高、高度均一的景观类型采用中心像元法，聚集度较低的景观类型采用最大面积法既可以得到与相同尺度遥感分类数据较高的空间聚合相似度，聚合数据整体形状、斑块边界形状、类型聚集度又能与相同尺度遥感分类数据空间格局最相近：类型水平空间聚合相似度结果表明，聚集度较高、高度均一的重沼泽、耕地两种景观类型空间聚合相似度最高，超过了90％。同时这两种景观类型中心像元法聚合数据空间聚合相似度略优于最大面积法聚合数据空间聚合相似度，而其他聚集度较低的景观类型最大面积法聚合数据空间聚合相似度较高。由于空间聚合相似度高低与聚集度高低基本一致提出了二者存在相关关系的假设。整个研究区的空间聚合相似度表明，最大面积法聚合数据与相同尺度遥感分类数据空间聚合相似度大于中心像元法聚合数据。类型水平和景观水平景观指数对聚合数据空间格局分析表明，最大面积法相比中心像元法降低了类型的破碎度，使得聚合数据整体形状、斑块边界形状较为简单，类型聚集度较低，与遥感影像的综合作用机理相近，与相同尺度遥感分类数据更为接近，对于聚集度较高、高度均一的重沼泽和耕地两种景观类型，两种聚合方法对其景观格局影响较小。在此基础上发现类型聚集度与聚合尺度影响聚合数据空间分布，同时空间聚合相似度与聚集度线性拟合回归分析表明二者极显著相关，相关系数在0.9以上，聚集度越高的景观类型空间聚合相似度越高，而聚集度越低的景观类型空间聚合相似度越低。通过点扩散函数对遥感分类数据空间聚合内在机制进行分析，中心像元法和最大面积法聚合数据与不同地表覆盖状况下的遥感数据是近似对应的，得出的以上结论为聚合方法的选择提供依据。