基于高分辨率遥感影像和改进U-Net的城市绿地提取

准确掌握城市绿地的面积和空间分布对于城市园林绿化规划和管理具有重要意义。针对U-Net网络提取城市绿地存在的参数冗余和边界特征丢失等问题,本研究提出一种基于改进U-Net网络的城市绿地信息自动提取方法。该方法采用MobileNetv2作为编码部分,结合交叉熵损失函数和Dice损失函数以提高模型的泛化性并解决样本不平衡的问题。同时,引入空间通道压缩与激励模块以解决边界特征提取不准确的问题,在提高模型精度和速度的同时,降低参数量。结果表明:(1)改进的U-Net模型在城市绿地提取的精度和速度方面优于其他4种经典模型,参数量仅为6.9M;相较于原始的U-Net模型,改进后U-Net模型的mIoU提高0.63%,参数量减少77.77%,平均帧数提高2.77倍,表明该方法在显著减少模型参数的同时,仍能保持较高的精确性。(2)实际应用方面,研究部署最优模型对长沙市区的绿地进行自动提取,共提取75549个绿地图斑,面积范围从0.0001hm^(2)到706.39hm^(2)不等;分区统计结果显示,岳麓区绿地面积最大,芙蓉区最小,与目视解译结果基本一致。本研究不仅提供了一种改进城市绿地提取精度和速度的方法,而且具有一定的实用价值,为城市绿化规划和管理提供有力的数据支持。

基于地统计学和多源遥感数据的森林碳密度估算

【目的】基于遥感影像空间分辨率和地面样地大小不一致的现象,采用地统计学和多源遥感数据进行森林碳密度估算,为MODIS数据在区域森林碳密度估算领域的应用提供参考。【方法】以湖南省攸县为试验区,首先利用基于块的序列高斯协同模拟算法,将25.8 m×25.8 m的样地数据分别上推到250 m×250 m、500 m×500 m和1 000 m×1 000 m;然后将上推后的样地数据分别与MOD13Q1、MOD09A1、MOD15A2数据结合,利用序列高斯协同模拟算法开展区域森林碳密度估算研究;最后将最优结果用于湖南省森林碳密度估算。【结果】Landsat5和MODIS数据与森林碳密度的敏感因子具有高度相似性,排在前3位的分别为1/TM3、1/TM2、1/TM1和1/Band1、1/Band4、1/Band3;与植被指数产品MOD13Q1和MOD15A2相比,多光谱数据Landsat5和MOD09A1在攸县森林碳密度估算方面显示出巨大潜力,估算精度分别为82.02%和75.64%;基于MOD09A1的序列高斯协同模拟算法具有很好的适用性,可用于湖南省森林碳密度的空间模拟,估算精度为74.07%。【结论】采用基于块的序列高斯协同模拟算法,可以实现由地面样地到不同空间分辨率MODIS像元之间的转换;由于空间分辨率的限制,MOD09A1数据在刻画空间细节方面不如Landsat5精细。该研究方法适用于地面调查样地大小和遥感影像空间分辨率不一致的区域森林碳密度估算。

基于多源遥感数据的CNN水稻提取研究

水稻是中国种植面积最广泛的粮食作物之一,适时、准确的水稻识别与监测对于国家粮食安全和农用地空间格局演变具有重要意义。基于水稻物候关键期的多时相Sentinel-2A光谱数据、植被指数、植被丰度以及基于Landsat8反演得到的地表温度(land surface temperature,LST),采用卷积神经网络(convolutional neural network,CNN)、支持向量机(support vector machine,SVM)和随机森林(random forest,RF)算法对高异质化的长株潭核心区的水稻进行了提取,并得到了对应的水稻填图。研究结果显示,利用多时相多源遥感数据通过CNN算法能够有效提取高异质化程度区域的水稻信息,水稻分类总体精度(overall accuracy,OA)和Kappa系数分别达到了92%与0.90以上。该文提出的基于CNN的水稻信息识别方法,能够为改善与提高异质化程度较高区域水稻信息提取的精度提供行之有效的技术与途径。

基于国产高分遥感数据的黑龙江三江湿地分类

【目的】湿地是重要的生态系统之一,实现湿地信息的自动提取和动态监测对湿地资源的科学管理和利用有重要的意义。黑龙江三江湿地是我国最大的淡水沼泽湿地,具有丰富的野生动植物资源。探究国产高分五号(GF-5)高光谱和高分六号(GF-6)多光谱遥感数据及其不同特征组合在中高纬度湿地信息分类中的能力,为三江湿地的可持续发展提供科学依据。【方法】首先对获取的高分数据进行辐射定标、大气校正、地理配准、镶嵌和裁剪预处理后,然后采用主成分分析法(Principal Component Analysis,PCA)对高光谱数据进行降维和特征筛选,最终从GF-5遥感影像中选取了5个特征;在GF-6的8个原始波段基础上通过波段计算提取了指数特征(NDVI、NDWI),增加到10个波段,并将GF-5和GF-6影像提取特征进行组合,利用支持向量机(SVM)、随机森林算法(RF)和K-近邻算法(KNN)等3种分类器提取湿地信息。【结果】基于GF-5和GF-6波段组合后的特征组合与SVM算法的结合获取的湿地信息总体分类效果最好,总体精度可达到88.96%,Kappa系数为0.85,能够合理地提取三江湿地的不同地类信息。根据混淆矩阵的数据统计可知,湿地重要的地类草本和水域错分比例明显减少,此外大面积噪声情况有所改善并且细小狭长的水域能够被识别分类。【结论】不同源数据和特征组合的湿地信息提取的精度表明高光谱和多光谱遥感数据的特征组合可以提供丰富的光谱信息,显著减少了“同物异谱,同谱异物”的情况;而且基于GF-5和GF-6特征组合,应用SVM算法,可以获得较高的分类精度,对比单一的GF-5和GF-6遥感数据,总体精度分别提高了16.74%和3.3%,为构建国产高分卫星数据的湿地信息智能提取理论和方法提供技术支撑。

西藏自治区草地地上生物量遥感反演研究

草地地上生物量(Aboveground Biomass,AGB)是反映草地生态系统功能和质量的关键指标,大尺度地准确估算草地AGB对草地生态系统经营管理至关重要。研究以MODIS影像为数据源,提取反射率、植被指数和植被产品三种不同类型的特征变量,结合野外实测样地草地AGB数据,构建以多元线性逐步回归为代表的参数模型以及随机森林、支持向量机和kNN等非参数模型进行西藏自治区草地AGB估测及空间分布制图。结果表明:(1)多元线性逐步回归、随机森林、支持向量机和kNN模型在加入植被产品特征变量后,RMSE分别降低了15.8%、13.5%、4.1%和17.3%,表明植被产品作为建模变量用于草地AGB估测可有效提高模型精度;(2)三种组合变量构建的草地AGB估测模型中,反射率、植被指数、植被产品组合构建的模型效果最佳,其中kNN模型估测精度最高,R2达到0.60,RMSE和MAE分别为0.43、0.34 t/hm^(2);(3)草地AGB空间分布呈现出西北地区较低、中部地区较高且分布形态较破碎和东部地区较高的变化特征;(4)利用MODIS植被产品结合kNN模型的预测值与草地实测的AGB空间分布趋势基本一致。综上,MODIS植被产品结合kNN模型可作为大尺度区域草地AGB遥感估测的有效参考。

基于Landsat 8的深圳市森林碳储量遥感反演研究

以2014年Landsat 8遥感影像为数据源,研究了深圳市森林碳储量遥感反演模型的构建及其空间分布情况,对城市生态系统碳循环研究具有重要意义。采用分层随机抽样的方式布设168个样地,结合外业样地数据,从遥感影像中提取31个植被指数作为自变量,分别构建了多元线性回归模型、Logistic回归模型和Radical Basis Function(RBF)径向基函数神经网络模型,进而估算该地区的森林碳储量并比较分析。结果表明,RBF神经网络模型的估算精度最高,决定系数最大且均方根误差最小,分别为0.829t·hm^(-2)和9.131t·hm^(-2);Logistic回归模型估算精度次之,决定系数和均方根误差分别为0.523t·hm^(-2)和11.821t·hm^(-2);多元线性回归模型估算精度最低,决定系数最小,均方根误差最大,分别为0.438t·hm^(-2)和12.870t·hm^(-2)。可见,RBF神经网络模型能更好地模拟森林碳储量与各个因子之间的关系。研究区森林碳储量的空间分布特点表现为东南沿海部分碳储量大,中西部城市经济开发区碳储量小,与实际森林分布基本一致。

地面激光雷达扫描参数与点云简化对林木参数提取的影响

【目的】林木参数是森林蓄积量、森林生物量估算的基础指标,传统的人工调查方式费时费力,已难以适应新形势下数字化森林资源监测技术的要求。地面激光雷达扫描技术能够获取小尺度高分辨率的林分内部结构信息,为林分环境条件下林木胸径、树高提取提供一种新的思路。【方法】以芦头实验林场杉木林样地为研究对象,针对FARO Focus 3D X330三维激光扫描仪设计了7种不同的扫描组合方式对样地进行扫描,提出象限角点云简化思路进行参数提取和精度评价,探究不同扫描组合方式对林木胸径、树高参数提取精度与效率的影响。【结果】1)当扫描分辨率为1/2、质量为4X时,胸径参数提取精度最高;当扫描分辨率为1/4、质量为4X时,树高参数提取精度最高。2)在林木参数提取结果没有显著性差异的前提下,扫描分辨率为1/4、质量为4X的扫描参数工作效率最高。3)选取同时兼顾精度和效率的1/4扫描分辨率、质量4X的扫描结果,进行象限角点云简化,简化的点云能够准确地提取出林木胸径参数。【结论】研究结果对于具有相同或相似地理条件和树种的林地选择扫描参数和点云简化方式具有重要参考价值,可以提高内业工作效率,同时也为地面激光雷达野外样地调查提供方法和技术参考。

基于“3S”技术的湖南安仁县土地利用类型变化分析

为更加深入了解城镇化背景下县域土地利用类型和景观格局变化,研究以"3S"技术为手段,以湖南安仁为案例,分别对2006年和2016年土地利用类型进行解译,分析此期间土地利用类型变化,并分别计算各年份多种景观指数﹒研究结果表明:林地和耕地一直是安仁县的主要土地利用类型,研究期间,耕地面积有所增加,林地面积有所减少;建筑物面积有所增减,不同土地利用类型主要向耕地转化;景观破碎化程度在降低,景观多样性增加,斑块分布更加均匀稳定﹒研究认为城镇化进程给县域森林景观保护带来了很大的压力,在城镇化进程中,坚持生态原则,实施生态规划,对于景观保护和景观格局稳定具有重要作用﹒本研究能够为县域尺度生态规划提供参考,对县域景观保护具有重要意义﹒

旺业甸林场人工林生物量遥感反演研究

森林生物量能直接反映森林质量,遥感技术结合地面样地能实现林分或区域范围森林生物量的反演,反演结果对制定森林资源合理利用、生态环境改善等方面的政策具有重要的指导意义。论文以旺业甸林场Landsat 8 OLI影像为数据源,从影像中提取161个植被指数,对比Pearson相关系数法和随机森林法进行特征变量选择,分别筛选出合适的因子作为模型自变量,结合实地调查数据,建立多元线性逐步回归、地理加权回归、kNN回归和随机森林等4种生物量反演模型,并对模型结果进行精度验证。研究结果表明:1)利用Pearson相关系数法进行特征变量选择要优于随机森林法。2)短波红外光和近红外区间波段组合得到的植被指数与生物量的相关性显著,相关性系数最高的前五个因子为SR627、SR637、SR647、SR64、SR213,分别达到了0.776、0.761、0.730、0.702和0.657;3)4种生物量反演模型中,随机森林模型效果最好,决定系数R2为0.72,RMSE=8.12,EA=76.54%;线性逐步回归模型次之,R2为0.65,RMSE=9.01,EA=72.88%;其次是kNN回归模型,R2为0.59,RMSE=9.75,EA=74.89%;地理加权回归模型效果最差,R2为0.58,RMSE=13.75,EA=53.95%;4)利用随机森林模型对研究区进行生物量反演,反演结果生物量空间分布与实际情况基本一致,反演效果较好。

面向对象结合卷积神经网络的GF-1影像遥感分类

【目的】近年来,越来越多高时间分辨率、高空间分辨率卫星相继出现,为我们的生产生活提供了很大的便利,如何利用好这些数据庞大、信息丰富的遥感影像一直以来都是国内外研究的热点问题。其中遥感影像的分类是将大量的遥感影像应用于各个领域的基础,针对传统方法对于高分辨率影像分类精度提高难的问题,提出一种面向对象结合卷积神经网络的遥感分类方法。【方法】首先利用构建moran’s I指数与地理探测器q统计量的二维空间的方法,确定最佳分割尺度,以最大面积法确定均质因子权重,对预处理后的GF-1影像进行分割,利用分割后的对象的特征作为分类模型的输入变量,建立一维卷积神经网络(1D-CNN)的分类模型,构建了基于像元的支持向量机,面向对象的支持向量机分类模型,对研究区进行了分类。【结果】利用面向对象的一维卷积神经网络方法进行分类,分类结果总体精度为93.10%,Kappa系数为0.9167,同基于像元支持向量机方法相比,总体精度提高了24.35%,Kappa系数提高了0.2923;同面向对象的支持向量机方法相比,总体精度提高了6.2%,Kappa系数提高了0.0746。【结论】利用构建的moran’s I指数与地理探测器q统计量的二维空间和最大面积法确定最佳分割参数,建立一维卷积神经网络结合面向对象的方法对遥感影像进行分类,与传统模型相比得到的分类结果精度较高,是一种快速有效的分类方法。

基于TanDEM-X数据的林分平均高反演方法研究

以TanDEM-X/TerraSAR-X HH单极化干涉对和GF-2遥感数据为基础,提出结合极化干涉与混合像元分解技术的改进差分法来反演林分平均高,并利用外业数据进行精度验证。结果表明:以植被丰度校正冠层高度模型,林分平均高的估测精度和R^2值得到大幅提高,均方根误差也随之降低。因此,本研究提出的方法能有效降低林分低郁闭度产生的混合像元作用对林分平均高反演的影响,提高林分平均高的反演精度。

基于Sentinel-2与机载激光雷达数据的误差变量联立方程组森林蓄积量反演研究

【目的】研究通过提取Sentinel-2中的特征变量与机载激光雷达(Light detection and ranging,LiDAR)中的冠层高度模型(Canopy height model,CHM),探索使用误差变量联立方程组反演森林蓄积量制图的新方法。【方法】以广西壮族自治区国有高峰林场的界牌与东升分场为研究区,机载LiDAR和Sentinel-2影像为数据源,利用皮尔森相关系数与方差膨胀因子(Variance inflation factor,VIF)结合线性逐步回归进行遥感特征变量筛选。通过VIF判断和线性逐步回归保留后的遥感特征变量与LiDAR提取的CHM,分别选用普通回归模型(多元线性逐步回归与Logistic模型)、误差变量联立方程组、随机森林(Random forest,RF)、kNN(k-Nearest Neighbor,kNN)4种反演方法开展森林蓄积量反演,并利用地面实测数据对反演结果进行验证。【结果】1)在普通回归模型中,Logistic模型的反演精度(RRMSE=30.41%)优于MLR模型的反演精度(RRMSE=30.53%);2)在误差变量联立方程组反演方法中,MLR-Logistic联立模型精度(RRMSE=29.29%)优于Logistic-Logistic、MLR-MLR与Logistic-MLR联立模型(RRMSE分别为29.40%、29.60%与29.66%);3)在4种反演方法中,误差变量联立方程组反演结果精度最高(R2=0.60),显著优于普通回归模型方法、随机森林与kNN反演方法(R2分别为0.56、0.39与0.28)。【结论】误差变量联立方程组反演方法更适用于森林蓄积量遥感估测,其反演精度最高,且获得的蓄积量空间连续分布结果与实际接近,制图效果最好,表明误差变量联立方程组反演森林蓄积量制图方法是可行的。

基于高景一号遥感影像的林地信息提取

【目的】及时、准确地掌握林地信息是森林经营管理的前提,高分辨率遥感影像为林地信息精细识别提供了可能。【方法】以当阳市玉泉乡为研究区,以国产卫星高景一号(SV-1)遥感影像为数据源,提取各波段光谱信息和植被指数作为分类特征,采用特征可分性、重要性及特征间冗余度分别构建了4种特征评价准则,基于支持向量机(SVM)分类器对研究区进行林地信息提取,结合森林资源二类调查结果进行精度验证。【结果】1、评价准则中,特征重要性优于可分性,特征可分性受高度相关的特征组合(如OSAVI和NDVI等)的影响会造成分类精度的下降。2、在特征重要性和可分性的基础上结合特征间冗余度能进一步提高分类精度并有效降低特征维数,特征维数由11维降至8维,特征可分性方法和特征重要性的分类精度分别提高了4.65%和4.58%;3、根据特征重要性结合冗余度选择RGVI、EVI、B1、B3、B2、DVI、RVI、Brightness 8个特征,建立SVM线性核分类模型可以达到最优分类效果,总体分类精度高达92.49%,Kappa系数为0.9084。【结论】SV-1遥感影像由于其高空间分辨率在林地信息精细提取中具有可行性,本研究通过建立特征评价准则筛选分类特征能进一步挖掘分类器的泛化能力,为及时、准确地获取林地信息提供技术支撑,同时也为同等高分辨率遥感卫星数据处理提供了参考。

基于国产高分数据的森林蓄积量反演研究

以内蒙古旺业甸林场为研究区,结合地面调查,对高分二号遥感数据进行预处理,并提取光谱信息、植被指数及纹理信息等48个遥感因子,采用Pearson相关系数法筛选出8个因子进行建模。采用多元线性回归、多层感知机、K-近邻、支持向量机、随机森林模型估测森林蓄积量,得到研究区内森林蓄积量反演图。结果表明:1)高分二号影像提取的遥感因子中,基于二阶矩阵的纹理特征均值(Mean)与森林蓄积量的相关性较高;2)随机森林相对于多元线性、多层感知机、K-近邻、支持向量机等方法具有更好的森林蓄积量估测精度,其相对均方根误差(rRMSE)为25.40%;3)研究区内森林蓄积量高的地区主要分布在西部和东南部;森林蓄积量低的地区主要分布在西北部、中部及北部,与实际调查情况一致。国产高分二号影像利用随机森林算法在森林蓄积量反演方面具有一定的潜力。

结合Landsat 8与PALSAR-2影像的龙南县针叶林蓄积量遥感估测研究

林分蓄积量估测是林业遥感的重要研究领域,由于云雾天气和光谱饱和现象等因素限制了光学遥感影像估测林分蓄积量的精度。合成孔径雷达(SAR)具有穿透性强、受云雾影响小等特点,弥补了光学遥感的不足。以江西省龙南县的针叶林为研究对象,结合Landsat 8与PALSAR-2双极化SAR影像数据,在遥感数据预处理基础上,提取了光谱信息、植被指数、纹理信息和后向散射系数等共245个遥感因子。基于Pearson相关系数法和多元逐步回归法,筛选出65个遥感因子参与林分蓄积量估测。以林分郁闭度作为分层因子,分别采用线性、KNN、支持向量机(SVM)、多重感知机(MLP)和随机森林(RF)5种模型估测林分蓄积量,并对估测结果进行精度检验。实验结果表明:1)相比单独使用Landsat 8的光谱和纹理信息,基于郁闭度分级并融合PALSAR-2的后向散射信息明显提高了蓄积量的反演精度;2)对于低郁闭度林分,线性模型精度最高(rRMSE=21.16%),中郁闭度林分,多重感知机模型估测效果最好(rRMSE=30.61%),高郁闭度林分,多重感知机模型估测效果最好(rRMSE=27.53%)。在结合PALSAR-2的后向散射系数的基础上,郁闭度分层能有效改善中高蓄积量区域的反演精度。

联合Sentinel-1和Sentinel-2数据反演森林蓄积量

为明确遥感数据源及机器学习模型对森林蓄积量估测的影响,从而提高区域森林蓄积量估测精度。本文以内蒙古旺业甸林场38个落叶松样地与43个油松样地外业调查数据为基础,提取Senitnel-1和Sentinel-2影像光谱和极化等遥感特征信息。根据不同特征组合分别建立支持向量机回归(Support Vector Regression,SVR)、k最近邻(k-NearestNeighbor,kNN)、多层感知器(Multi-Layer Neural Network,MLP)及多元线性回归(Multiple Linear Regression,MLR)4种蓄积量反演模型,并对模型结果进行精度验证与比较。结果表明:(1)与单一数据源相比,联合Sentinel-1与Sentinel-2数据有助于提高森林蓄积量反演精度(油松蓄积量反演R2提高0.08,RMSE提高10.28 m^(3)·hm^(-2);落叶松蓄积量反演R2提高0.05,RMSE提高4.51 m^(3)·hm^(-2));(2)与MLP和MLR模型相比,SVR与kNN模型的蓄积量反演效果较好。其中,SVR模型在油松蓄积量反演效果最佳(R2=0.84,RMSE=44.58 m^(3)·hm^(-2));kNN模型在落叶松蓄积量反演精度最高(R2=0.74,RMSE=41.41 m^(3)·hm^(-2))。联合Sentinel-1与Sentinel-2多源数据的机器学习方法可获得较高的蓄积量反演精度,可期为区域尺度森林蓄积量遥感反演提供理论支持与可行方案。

基于GF-1与Landsat-8的康保县叶面积指数遥感反演研究

以GF-1和Landsat8遥感影像为数据源,采用逐步回归、非线性Logistic回归和基于空间位置的地理加权回归3种方法,结合134个野外样地调查数据,在河北省康保县开展叶面积指数反演研究,并对结果进行精度检验。结果表明:(1)在荒漠化地区,GF-1和Landsat-8遥感影像提取的植被指数因子与LAI均有较高的相关性。运用主成分分析方法对植被指数因子进行处理,可以有效消除各影响因子间的共线性。(2)基于GF-1和Landsat-8影像分别建立的3种模型,均以地理加权回归决定系数最大,均方根误差最小,反演精度最高。(3)国产GF-1数据反演LAI效果优于Landsat-8,可以代替Landsat-8数据进行叶面积指数的估测。

东洞庭湖湿地植被高光谱数据降维与分类

湿地植被的精细识别与分类是林业遥感中一个亟待解决的难点。本研究以东洞庭湖自然保护区为研究区,以苔草、芦蒿、辣蓼、杨柳和芦苇为研究对象开展高光谱数据观测。采用数据平滑、导数变换、对数变换和归一化变换等方式对高光谱数据进行预处理,再运用PCA算法分别对其进行降维运算,随后采用马氏距离、朴素贝叶斯、Knn、径向基内核支持向量机和随机森林等分类方法对降维后的数据进行分类。结果表明:1)不同预处理方式经过PCA降维后能保持自身特有的特征;2)降维后的累计方差贡献率与分类精度不存在必然联系,主成分个数能对分类精度产生影响;3)不同的分类方法对降维后的数据灵敏度不同,随机森林和径向基内核支持向量机保持较高的稳定性。

基于高分辨率遥感影像与DSM的典型地物提取

高分辨率遥感影像和数字地表模型(DSM)结合的地物信息提取,虽可以区分异物同谱中存在高度差异的地物,但相同高度的地物在DSM数据可能会因海拔高度不同而存在明显差异,降低了地物提取精度。从DSM中提取出地物高度信息(nDSM),再以nDSM结合高分辨率光学影像进行地物提取。结果表明:仅以高分辨率光学影像为数据源的方法分类效果最差,结合DSM数据的方法居中,而结合nDSM的方法最优,说明在基于光学影像和DSM数据的地物提取中,采用去除地形因素的nDSM替代DSM可以有效提高分类精度。

神木市植被NDVI动态变化及时空格局分析

【目的】归一化植被指数(normalized difference vegetation index,NDVI)可以指示植被生长和覆盖状况,探究其长时间序列时空动态变化特征规律,对明确区域植被生态变化情况具有重要意义。【方法】利用谷歌地球引擎(google earth engine,GEE)云平台获取植被生长季(7—9月)长时间序列Landsat影像并构建NDVI指数。通过变异系数、Sen+Mann-Kendall趋势分析、未来趋势变化分析和空间自相关性计算,分析2000—2020年神木市NDVI时空变化特征及空间格局,并提取NDVI不同聚集区面积结合植被生长季累计降水量和平均气温进行分析。【结果】2000—2020年神木市NDVI显著增加,增速为1.25%·a^(-1);NDVI增加区域、稳定不变区域和退化区域分别占总面积的97.8%、0.4%和1.8%,退化区域主要分布在矿区和城市聚集区;NDVI变异系数主要集中在0.3~0.5之间,整体波动比较剧烈,变异程度呈现“东南高、西北较低”的空间格局;全区NDVI平均Hurst指数0.69,持续显著增加面积占比93.7%,未来植被变化趋势良好。全局Moran’I指数波动下降,NDVI全局空间自相关性逐渐减弱;NDVI低-低型聚集区的面积波动减少,与植被生长季累计降水量表现为显著负相关(P<0.05),低-高型聚集区面积与植被生长季平均气温表现为显著负相关,高-高型聚集区的面积波动增加,与植被生长季累计降水量表现为显著正相关(P<0.05)。【结论】近21年神木市NDVI整体变化较为剧烈,呈现增加趋势,其空间分布趋于破碎化,降水和升温对植被恢复有一定促进作用,且降水对于植被恢复的影响更大,未来植被覆盖状况变化表现为持续性显著增加。