森林是陆地生态系统中最大的碳储库，在控制全球碳收支平衡、减缓大气中CO2浓度上升等方面有重要作用。由于不同森林类型的光合作用能力、植被高度和地表粗糙度等并不一样，因此森林类型的区分是把植被类型转化成各种模型所需生物物理参数的必要步骤。目前，基于遥感数据的全球或区域性的分类产品已经成为许多全球变化和陆地表层过程研究模型所必须的基础数据。然而，随着越来越多遥感数据的可获得性提高，遥感分类精度的提高越来越依靠分类输入特征数量的增加。在高时间分辨率遥感分类中，由于可获得的遥感特征很多，但是这些特征所可用于分类的信息量很低，添加过多的分类特征会导致分类的不稳定。　　本研究根据MODIS全球大量数据的统计分析，在地理规律上，找到森林类型某种关键特征的普适性，与其它类型进行区分，并用长时间序列的数据把这种特征表示出来，从而可以利用这一特征高精度地把该类地物要素提取出来。本研究将更加明确不同森林类型间的区别性特征，在特征选择时可以具有针对性，从而达到简化特征的目的。本研究的主要工作内容和结论如下:　　(1)提出了基于地理知识的高时间分辨率数据特征的简化方法，降低了分类过程的复杂性，提高了全球森林识别的时间一致性。　　(2)在区分全球森林和非森林植被算法的基础上，建立了全球常绿阔叶林、常绿针叶林、落叶阔叶林、落叶针叶林、热带季雨林的类型识别方法和区分阈值，获得了全球2000-2011年森林植被类型的分类结果。　　(3)对部分成果进行了评价和区域性验证。结果表明，与同类别全球产品相比，如MCD12Q1、GLC2000、UMD、DISCover等，本研究产品分类更为可靠。在中国区域对森林和非森林分类结果验证中，本产品(MODForest)分类精度最高，长时间分类稳定性好于MCD12Q1产品;在南亚和中南半岛对热带季雨林分类结果验证中，本产品(MODMF)分类精度达到80.0％，明显提高了该类型分类精度，长时间分类稳定性也明显高于MCD12Q1产品。　　本研究提出的的森林识别算法关键是，如何发现某种类型在遥感长时间序列数据中的独有特征，使得分类特征选择的简化成为可能。在具体分类中无需应用训练数据和复杂的分类器，仅依靠全球合成特征数据的阈值就可以将目标地物提取，能够取得全球高一致性的分类产品。这种简化分类特征的分类算法虽然看起来异常简单，但结果比传统分类的精度要高很多，而且在长时间分类中，结果也更加稳定。