Jedną z podstawowych informacji używanych w geografii oraz gospodarce przestrzennej są mapy użytkowania/pokrycia terenu. Stosowane są one w praktyce np. do symulacji i przewidywania zdarzeń katastrofalnych, wyznaczania stref zagrożeń itp. Od 1990 r. Polska uczestniczy w projekcie CORINE Land Cover (CLC), który zajmuje się tworzeniem map pokrycia terenu według spójnych kryteriów dla większości krajów UE. Wyróżnione klasy pokrycia terenu zorganizowane są hierarchicznie na trzech poziomach dokładności, z których najniższy wyróżnia 44 typy. Ciągłość terytorialna i metodyczna sprawiła, że współcześnie jest to jedno z najpopularniejszych źródeł danych w opracowaniach naukowych, branżowych, w edukacji, ochronie środowiska i wielu innych dziedzinach gospodarki. Głównym ograniczeniem w wykorzystaniu tych danych jest skala opracowania związana ze szczegółowością źródła bazowego. O ile CLC jest bardzo dobrym źródłem danych w opracowaniach małoskalowych, o tyle w wielkoskalowych projektach jego wykorzystanie budzi kontrowersje. Dlatego w artykule podjęto próbę określenia współczynników korelacyjnych dla danych CLC na podstawie najdokładniejszych map użytkowania, czyli sporządzonych dzięki digitalizacji ortofotomap. Jedne i drugie dane skonfrontowano z sobą sprawdzając, jak poszczególne typy pokrycia terenu są ze sobą skorelowane na tych dwóch źródłach danych.

Land cover / land use maps are one of key data bases in geography and spatial management. They are useful in simulation and predicting natural disasters, determining the threatened areas etc. Since 1990 Poland has been participating in CORINE Land Cover project, which is developed to create land cover maps according to uniform rules for EU countries. Methodic and territorial consistency was the reason of popularity the CLC project in scientific and business sector, education, environmental protection etc. Usage of CLC data is limited by the scale of study. The aim of this study is to compare the CLC data with detailed data prepared by vectorization. The analyses were led in four local drainage basins located in polish Carpathians and Carpathian Foothills (Fig. 1). On these areas 9 types of land cover classes of CLC classification were distinguished (Tab. 1, Fig. 2). The best correlated data were in class „forest” from vectorization and CLC data. „Forest” polygons from vectorization are congruent with CLC in 2. and 3. basin. In 90%, in 4. basin in 82% (Tab. 2). Next CLC class to correlate was Land principally occupied by agriculture, with significant areas of natural vegetation. This class in Poland includes mainly areas with retired agriculture, with succession of natural vegetation. Polygons with this class are in basins 1., 2. and 3. with 21%, 7% and 3% of area (Tab. 2). It’s not included in 4. basin. This demonstrates permanent landscape structure. Non-irrigated arable land is class with the biggest regional and structural differences between two types of data (Tab. 2). The high correlation between CLC and vectorization data was In two cases: – big area of polygons brings about bigger coincidence of these data sources; – unambiguous type of land cover, for example forests. The biggest differences between CLC and vectorization data are in classes of wide definition and spectra structure, for example: – complex cultivation patterns; – land principally occupied by agriculture, with significant areas of natural vegetation.