楊曉輝，肖登攀*，王 衛(wèi)，柏會子，唐建昭，范麗行

1. 河北省科學院地理科學研究所, 河北省地理信息開發(fā)應用工程技術(shù)研究中心, 河北 石家莊 050011

2. 河北師范大學地理科學學院, 河北 石家莊 050024

3. 河北省環(huán)境演變與生態(tài)建設(shè)實驗室, 河北 石家莊 050024

隨著全球城市化和工業(yè)化的快速發(fā)展，空氣污染物人為排放量居高不下，其中PM2.5(粒徑≤2.5 μm的細顆粒物)已成為空氣污染最嚴重的污染物之一. 研究[1-3]表明，短期或長期接觸PM2.5會對人類健康產(chǎn)生不利影響，導致慢性阻塞性肺炎、心臟病和癌癥等疾病的發(fā)病率及死亡率均增加. 世界衛(wèi)生組織(WHO)相關(guān)數(shù)據(jù)[4]表明，每年約有420和700萬人死于環(huán)境空氣污染和顆粒物空氣污染. 在中國，特別是一些高人口密度、高污染地區(qū)(如京津冀地區(qū)[5]、長三角地區(qū)[6-7])，PM2.5污染是導致人口過早死亡的主要風險因素之一[8]. 目前，PM2.5污染已成為公眾、科研人員和政策制定者關(guān)注的焦點問題.

PM2.5濃度及空間分布的監(jiān)測手段主要包括地基監(jiān)測和衛(wèi)星遙感反演. 地基監(jiān)測得到的監(jiān)測結(jié)果較精確，但往往站點數(shù)量有限，分布稀疏且不均勻，使得監(jiān)測結(jié)果缺乏空間連續(xù)性. 我國在2013年才建立地基監(jiān)測網(wǎng)絡(luò)，長期歷史監(jiān)測和數(shù)據(jù)空間連續(xù)性的缺失，導致針對PM2.5慢性影響的流行病學與健康效應研究相對有限. 遙感監(jiān)測技術(shù)可利用衛(wèi)星反演的氣溶膠光學厚度(aerosol optical depth，AOD)對研究區(qū)域內(nèi)PM2.5進行廣泛監(jiān)測，能夠彌補地面監(jiān)測站點“空間有限性”這一缺點[9-11]. AOD是衡量氣溶膠阻止光穿透大氣層程度的物理量，描述氣溶膠對光的削減作用. 在可見光和近紅外波段反演的AOD對粒徑大小在0.1～2 μm之間(接近PM2.5的粒徑)的顆粒最敏感，是建立AOD-PM2.5相關(guān)關(guān)系的重要理論基礎(chǔ)[12-13]. 研究者開始不斷探索并建立二者之間關(guān)系的模型，并通過提高AOD的時空分辨率以及加入各種相關(guān)變量來提高模型模擬的精度，以期更加精確地估算近地面PM2.5濃度.

該研究對反演AOD數(shù)據(jù)集和PM2.5濃度估算模型兩個方面的研究和發(fā)展趨勢進行總結(jié)，結(jié)合國內(nèi)外相關(guān)研究現(xiàn)狀，從軌道運行類型入手，比較各類型傳感器的優(yōu)缺點，并對AOD插補方法進行詳細分析，此外對PM2.5的估算模型作了分類和比較，以期為控制PM2.5污染提供方法論基礎(chǔ).

1 AOD數(shù)據(jù)集

1.1 AOD衛(wèi)星傳感器

用于估算近地面PM2.5濃度的AOD產(chǎn)品有多種來源，并且不同數(shù)據(jù)源分辨率不同. 目前，遙感衛(wèi)星可以搭載在兩種不同軌道上反演AOD，分別為近地軌道(LEO)和地球同步軌道(GEO). 用于AOD反演的LEO衛(wèi)星傳感器主要有甚高分辨率掃描輻射計(AVHRR)、臭氧監(jiān)測儀(OMI)、中分辨率成像光譜儀(MODIS)、多角度成像光譜儀(MISR)、地球反射偏振測量儀(POLDER)、云-氣溶膠正交極化激光雷達(CALIOP)、可見光/紅外成像輻射儀(VIIRS)和電荷耦合元件成像儀(CCD)等；GEO衛(wèi)星傳感器主要有地球同步海洋水色成像儀(GOCI)、先進葵花成像儀(AHI)、多通道掃描成像輻射計(AGRI)、旋轉(zhuǎn)增強型可見光和紅外成像儀(SEVIRI)、可見紅外自旋掃描輻射計(VISSR)和先進基線成像儀(ABI)等. 各種檢索氣溶膠信息的衛(wèi)星傳感器屬性如表1所示.

表1 提供氣溶膠信息的主要衛(wèi)星傳感器產(chǎn)品Table 1 The main satellite sensors products providing aerosol information

LEO衛(wèi)星提供的AOD產(chǎn)品具有廣闊的空間覆蓋和高空間分辨率，但只能每日或幾日獲取一次全球氣溶膠觀測數(shù)據(jù). 因此，利用LEO衛(wèi)星反演的AOD產(chǎn)品可以估算近地面PM2.5的日、月、年濃度，但每小時PM2.5濃度的估算受到輸入數(shù)據(jù)的限制. 此外，由于LEO是極軌衛(wèi)星，不能對某星下點連續(xù)觀測，所以LEO衛(wèi)星無法同時產(chǎn)生具有更高時間分辨率和更精細空間分辨率的圖像[14]. 為了研究PM2.5及其閾值濃度對健康的急性影響，需要對PM2.5濃度進行高時間頻率的小時估算，運行在GEO軌道上的地球同步衛(wèi)星的發(fā)展提供了按小時反演AOD的可能性. GEO衛(wèi)星有助于監(jiān)測動態(tài)變化，并可提供白天地球固定位置的高頻觀測，包括在復雜大氣條件下變化非常快的AOD[15]. 但這些產(chǎn)品空間覆蓋范圍局限于特定區(qū)域，AOD的檢索算法開發(fā)和研究周期相對較短.

1.2 AOD產(chǎn)品

搭載在美國國家航空航天局(NASA)Terra (當?shù)剡^境時間10:30)和Aqua (當?shù)剡^境時間13:30)衛(wèi)星上運行的MODIS，是全球氣溶膠反演使用最廣泛的傳感器[16]，每1～2 d能夠?qū)崿F(xiàn)全球覆蓋，具有可靠的質(zhì)量和直接可用性. 目前，MODIS AOD產(chǎn)品包括三類算法，分別為暗目標(DT)算法、深藍(DB)算法和多角度大氣校正(MAIAC)算法[17]. DT算法適用于黑暗的陸地表面，如植被覆蓋區(qū)；DB算法適合于明亮陸地表面；MAIAC算法在暗表面上的精度與DT算法相當或更高，在亮表面上的精度通常高于DB算法. DT和DB算法反演的AOD數(shù)據(jù)空間分辨率分為10和3 km兩種，MAIAC算法反演的AOD空間分辨率為1 km. 許多研究比較MODIS三種不同空間分辨率數(shù)據(jù)估算近地面PM2.5濃度的效果，發(fā)現(xiàn)隨著空間分辨率的提高，模擬效果越好，提供的PM2.5濃度空間分布細節(jié)更精細[18-20].

不同于MODIS的單一星下觀測點，同樣搭載在Terra衛(wèi)星上發(fā)射的MISR傳感器通過多個傾斜角度和多通道對大氣進行觀測，具有強大的氣溶膠反演算法功能，空間分辨率為17.6 km (Version 22)，其數(shù)據(jù)質(zhì)量在多地得到了驗證[21-22]. 2017年，MISR氣溶膠團隊推出了空間分辨率為4.4 km的MISR AOD產(chǎn)品(Version 23)[23]. 2020年，Si等[24]驗證了2008-2017年4.4 km MISR AOD產(chǎn)品在中國的質(zhì)量，其與AERONET (氣溶膠地基觀測網(wǎng)絡(luò))的相關(guān)系數(shù)(R)達0.90；并與2016年MODIS (Terra) 3 km AOD產(chǎn)品相比，4.4 km MISR AOD產(chǎn)品與AERONET的R值(0.92)略高于與MODIS (Terra) 3 km AOD的R值(0.90). 但MISR傳感器掃描幅寬較小，重返周期較長(2～9 d)，適用于PM2.5濃度長期數(shù)據(jù)監(jiān)測，不適用于日常監(jiān)測[25].

2011年發(fā)射搭載在Suomi-NPP衛(wèi)星上的VIIRS傳感器是MODIS的后續(xù)設(shè)備，它提供兩種類型的AOD產(chǎn)品，包括IP AOD和EDR AOD，空間分辨率分別為0.75和6 km[26-27]. 研究[28-30]表明，VIIRS AOD產(chǎn)品與MODIS AOD產(chǎn)品性能相似，同樣適用于估算地面PM2.5濃度. 如Yao等[27]指出，基于VIIRS AOD的模型可以解釋京津冀地區(qū)76%的PM2.5濃度變化，優(yōu)于MODIS AOD模型(71%). Chen等[31]結(jié)合機器學習模型首次評估了VIIRS IP AOD在大尺度(中國)、高分辨率PM2.5建模中的潛力，CVR2(交叉驗證決定系數(shù))達到0.86. 近期，NOAA (美國國家海洋和大氣管理局)提供了一種新的使用EPS算法開發(fā)的VIIRS氣溶膠產(chǎn)品-EPS AOD (空間分辨率為 0.75 km).與最初數(shù)據(jù)使用的IDPS算法[32]相比，EPS算法[33]進行了較大改進，如擴展了AOD的范圍，在黑暗和明亮的表面上均適用于檢索AOD. 2019年，Li等[34]首次評估了中國大陸近10年來的VIIRS EPS AOD產(chǎn)品，結(jié)果表明，VIIRS EPS AOD與AERONET AOD數(shù)據(jù)高度相關(guān)，R達0.91.

搭載在韓國COMS衛(wèi)星的GOCI以及搭載在日本Himawari-8衛(wèi)星上的AHI是運行在GEO軌道上的傳感器[35-37]. Tang等[15]通過使用具有2個隨機森林子模型的非參數(shù)方法，評估在長江三角洲地區(qū)1 km分辨率下這兩個AOD產(chǎn)品估算PM2.5濃度的能力，結(jié)果表明，基于GOCI AOD估算的每小時PM2.5濃度和基于Himawari-8 AOD的估算結(jié)果均具有較高的精度，CVR2分別為0.860和0.862. 雖然，COMS和Himawari-8衛(wèi)星檢索AOD范圍可以涵蓋中國大部分地區(qū)，但由于觀察角度較低，中國中西部的數(shù)據(jù)并不可用或數(shù)據(jù)質(zhì)量較低. 2015年和2016年分別發(fā)射的GF-4和FY-4A衛(wèi)星是中國新一代地球靜止氣象衛(wèi)星，為在中國進行全覆蓋和高頻AOD檢索提供了機會[38-39]. 例如，許夢婕等[40]基于FY-4A數(shù)據(jù)，利用DT算法對京津冀地區(qū)AOD進行反演，并與同期AERONET AOD對比驗證，R達0.86，說明FY-4A衛(wèi)星數(shù)據(jù)反演AOD具有一定可行性. 江琪等[41]基于FY-4A反演的AOD數(shù)據(jù)，利用改進的PMRS方法估算了中國近地面PM2.5濃度，其反演結(jié)果和地面監(jiān)測結(jié)果具有較高的相關(guān)性，其中，烏魯木齊市、石家莊市和徐州市觀測點的R值均高于0.7. 此外，風云系列衛(wèi)星還在不斷發(fā)射，F(xiàn)Y-2H、FY-4B衛(wèi)星也分別在2018年6月5日和2021年6月13日發(fā)射成功. 美國NOAA分別于2016年和2018年發(fā)射了GOES-R系列衛(wèi)星-GOES-16和GOES-17. 由于與MODIS和VIIRS具有相似的儀器設(shè)計和檢索算法，并且具有高時間分辨率，搭載在兩顆衛(wèi)星上的ABI傳感器反演的AOD具有類似于MODIS和VIIRS的準確性[42].此外，Zhang等[43]開發(fā)了一種經(jīng)驗偏差校正算法用于校正ABI AOD，校正后的ABI AOD與AERONET AOD的R值達0.79，該算法已在NASA上使用.

1.3 AOD非隨機性缺失

由于多云天氣、積雪和高地表反射率等因素，導致AOD出現(xiàn)大量非隨機缺失[44]. 此外，衛(wèi)星的軌道模式、地形因素以及其他環(huán)境也會造成AOD缺失[45].例如，AOD的測量值因森林火災會出現(xiàn)異常大的情況. 因此，基于可用的每日AOD數(shù)據(jù)估算的每日PM2.5濃度具有較高的缺失率，PM2.5月度或年度水平的進一步計算不可避免地會因估算的每日PM2.5濃度的非隨機缺失而產(chǎn)生偏差. 由此可見，AOD的非隨機性缺失是一個非常嚴重的問題.

很多研究試圖解決AOD在空間和時間上缺失的問題，該研究總結(jié)了現(xiàn)有的AOD插補方法，主要包括多源AOD數(shù)據(jù)融合、空間插值、基于模型的多個變量估算及其組合應用(見圖1).

圖1 AOD缺失值主要插補方法Fig.1 The gap-filling methods of missing AOD

多源AOD數(shù)據(jù)融合可分為多種衛(wèi)星產(chǎn)品的融合和不同檢索算法的融合. 前者通常使用不同衛(wèi)星(如Terra和Aqua衛(wèi)星)[46-48]的相同AOD反演算法進行融合，后者使用同一衛(wèi)星不同的AOD反演算法(如MODIS DB和MODIS DT算法)[49]進行融合. 目前，多數(shù)研究[50-51]是將二者結(jié)合進行AOD數(shù)據(jù)的融合. 盡管它們可以填補一些缺失值，但通常并非所有缺失的AOD值都可以高質(zhì)量恢復. 空間插值是基于數(shù)據(jù)的單一參數(shù)估計來填補AOD數(shù)據(jù)中的缺失值，如空間平滑[52]、普通克里金[53]、時空克里金[54]等方法. 該方法具有在清晰的天空條件下提供空間連續(xù)產(chǎn)品的優(yōu)點，但其精度受已知網(wǎng)格AOD數(shù)據(jù)的數(shù)量影響. 基于模型的多個變量估算是指使用各種模型和輔助變量估算AOD的缺失值. 由于使用的輔助變量具有全覆蓋的特點，得到的AOD數(shù)據(jù)也達到完全覆蓋，并取得了令人滿意的性能. 例如，Zhang等[55]選擇了2個隨機森林子模型估算缺失的AOD數(shù)據(jù)，交叉驗證結(jié)果表明，AOD與子模型之間具有良好的預測性能(R2=0.95)；Bi等[56]開發(fā)了包含雪/云分數(shù)和氣象變量的每日隨機森林模型來估算缺失的AOD數(shù)據(jù)，R2平均值達0.93. 但此種方法也會因輔助變量的數(shù)量和質(zhì)量而產(chǎn)生不同程度的誤差[57].

目前，上述3種方法的組合應用較為流行. Chen等[45]開發(fā)了一種兩步插值方法，即使用混合效應模型和逆距離加權(quán)(IDW)插值技術(shù)來估算AOD缺失值，整體上AOD缺失率從87.91%(Auqa)和85.47%(Terra)降至融合后的13.83%，并且CVR2達0.76.Jiang等[58]通過融合來自衛(wèi)星(Himawari-8和MODIS)和大氣數(shù)值預報模式系統(tǒng)(CAMS)的AOD數(shù)據(jù)以及其他氣象和地理變量，生成全覆蓋的AOD數(shù)據(jù)，其結(jié)果與AERONET AOD數(shù)據(jù)回歸后，R達0.72. 綜上，組合應用具有良好的填充效果，但同時也帶來更復雜的插補過程.

此外，具有完整時空覆蓋的AOD可以從化學傳輸模型(CTM)或全球監(jiān)測和衛(wèi)星數(shù)據(jù)同化系統(tǒng)中獲取，如社區(qū)多尺度空氣質(zhì)量(CMAQ)建模系統(tǒng)以及現(xiàn)代研究和應用的回顧性分析-版本2 (MERRA-2)等，已有研究[59-61]將它們作為代理變量用于估算缺失的AOD值.

2 PM2.5濃度估算模型

利用AOD和近地面PM2.5數(shù)據(jù)之間的關(guān)系來估算PM2.5濃度的方法主要分為三類，包括機器學習在內(nèi)的經(jīng)驗統(tǒng)計方法、基于化學傳輸模型方法和半經(jīng)驗公式等其他方法(見圖2). 三類建模方法的優(yōu)缺點如表2所示. 每種方法的性能取決于研究區(qū)域、研究時期以及數(shù)據(jù)的空間和時間分辨率，單一方法在不同的應用程序中并不總是表現(xiàn)最佳[62].

圖2 基于衛(wèi)星AOD數(shù)據(jù)的PM2.5濃度估算方法Fig.2 Methods for PM2.5 concentrations estimation using satellite-based AOD data

表2 不同方法估算PM2.5濃度方法的優(yōu)缺點Table 2 Summary of advantages and disadvantages of used approaches for estimating PM2.5 concentrations

2.1 統(tǒng)計回歸模型

前期研究基于AOD-PM2.5之間的線性關(guān)系建立線性回歸模型(SLR)，得到較好的擬合結(jié)果[63-64]. 但由于排放和氣象條件變化影響，這種關(guān)系在不同的地區(qū)和時間都會產(chǎn)生變化. 通過納入更多氣象變量(包括相對濕度、溫度、風速和行星邊界層高度等)，多元線性回歸模型(MLR)可以更好地表示AOD-PM2.5關(guān)系[65-66]. 目前，相關(guān)研究通常用MLR模型作為其他模型的對比模型，或結(jié)合其他模型來更好地估算PM2.5濃度. 例如，Li等[67]開發(fā)了一個廣義回歸神經(jīng)網(wǎng)絡(luò)模型(GRNN)來估算中國的PM2.5濃度，相比MLR模型(CVR2=0.53)，其CVR2達0.82；Chelani等[68]通過建立MLR模型和MLR殘差模型的組合模型估算了印度5個城市的PM2.5濃度，結(jié)果表明組合模型優(yōu)于MLR模型；Ahmad等[69]開發(fā)了MLR模型與人工神經(jīng)網(wǎng)絡(luò)(ANN)相結(jié)合的方法，利用AOD、土地利用和氣象參數(shù)估算了2015-2017年巴基斯坦卡拉市的PM2.5濃度，R2值范圍為0.76～0.96.

土地利用回歸模型(LUR)是在MLR模型的基礎(chǔ)上考慮土地利用的相關(guān)變量，這些變量主要反映研究區(qū)的環(huán)境特征，如工業(yè)用地面積、道路長度、交通量和人口密度等[44]. 許剛等[70]選取土地利用、道路交通、人口密度、工業(yè)污染源、高程和氣象變量6類預測變量與PM2.5建立LUR模型，模擬京津冀2013年P(guān)M2.5濃度空間分布，CVR2達0.78. Li等[71]建立了季節(jié)性MAIAC AOD與北京市實測地面PM2.5濃度的關(guān)系，開發(fā)了季節(jié)性的LUR模型，結(jié)果表明，將AOD納入LUR模型可以提高模型在春季的性能并在測試過程中提供更可靠的結(jié)果.

上述方法既沒有考慮到影響AOD-PM2.5相關(guān)關(guān)系的預測變量具有時間變化特性，也沒有考慮到二者關(guān)系在空間上的非恒定性. Lee等[72]在2011年提出的線性混合效應(LME)模型使用固定和隨機的斜率和截距對預測變量進行校準，以建立AOD-PM2.5的關(guān)系(CVR2=0.92). 其中，隨機效應反映了變量隨時間或監(jiān)測站的變化，固定效應是AOD對PM2.5濃度的平均效應，不受時間和監(jiān)測站變化的影響[57]. 在此基礎(chǔ)上，孫成等[73]建立了PM2.5濃度與MODIS AOD、氣象變量、土地利用變量之間的LME模型，CVR2達0.77. Ma等[74]提出了嵌套LME模型，包括AOD-PM2.5關(guān)系的嵌套月、周和日特定隨機效應，估算了長江三角洲PM2.5濃度(CVR2=0.67). Kloog等[52]提出了三階段LME模型，并在英格蘭地區(qū)驗證了該模型的可行性(CVR2=0.83). Wang等[75]基于AHI AOD構(gòu)建了時空線性混合效應(STLME)模型，估算了2018年京津冀地區(qū)PM2.5濃度的小時值(時間維CVR2=0.75，空間維CVR2=0.83). 目前，許多研究仍使用LME模型估算PM2.5濃度，但往往會加入AOD補值模型或更多模型來提高估算精度.

Brunsdon等[76]基于“回歸系數(shù)是線性回歸中觀察點空間位置的函數(shù)”的假設(shè)，根據(jù)觀察點之間的距離分配空間權(quán)重，提出了地理加權(quán)回歸(GWR). Hu等[77]將AOD引入GWR并進行了美國PM2.5濃度的估算. 之后，Ma等[78]提出了每日GWR模型，并證實在模型中加入氣象和土地利用信息可以大幅提高模型性能. 在此基礎(chǔ)上，為了更好地同時捕捉空間和時間的異質(zhì)性，Bai等[79]提出了地理時間加權(quán)回歸模型(GTWR)，并證實其比單個GWR模型具有更好的性能. 為了在AOD缺失時更好地估算PM2.5濃度，He等[80]開發(fā)了改進的地理和時間加權(quán)回歸模型(iGTWR)，該模型結(jié)合了數(shù)據(jù)中的季節(jié)性特征，在具有成對AOD-PM2.5樣本的天數(shù)內(nèi)實現(xiàn)了與標準GTWR模型相當?shù)男阅?，并且在沒有AOD-PM2.5數(shù)據(jù)對的天數(shù)內(nèi)顯示出更好的預測能力. 同時，He等[81]結(jié)合內(nèi)點算法(IPA)又開發(fā)了時空回歸模型，用于估算每日PM2.5濃度，取得了良好的驗證效果(CVR2=0.80).此外，在GTWR模型中添加交互項(二次項)可以更好地描述非線性效應[82].

除上面提到的模型外，其他研究還使用了廣義加和(GAM)模型[83-84]、克里金插值法[85]或非線性回歸模型. 這些PM2.5估算模型都將AOD作為主要的自變量，但模型的可預測性受到限制，其R2普遍較低，并且在不同地區(qū)之間存在差異. 不過，這些模型已逐漸優(yōu)化或集成到其他模型中.

2.2 機器學習模型

機器學習模型可以較好地處理變量間的非線性關(guān)系，容納不斷增長的數(shù)據(jù)規(guī)模和預測變量[86-87]，被廣泛應用到估算近地面PM2.5濃度. 機器學習模型主要分為3種，分別為決策樹類模型、內(nèi)核類模型和神經(jīng)網(wǎng)絡(luò)類模型.

在決策樹類模型中，較為流行的模型包括隨機森林(RF)、梯度提升決策樹(GBDT)、梯度提升機(GBM)和極端梯度提升(XGB). Wei等[47]開發(fā)了時空隨機森林(STRF)模型，估算了2016年中國1 km分辨率下每日PM2.5濃度，并證實其性能優(yōu)于部分統(tǒng)計回歸模型(MLR、GWR和LME+GWR). 目前，使用RF模型及改進模型進行PM2.5濃度估算的研究還在持續(xù)增加[58,88-90]. GBDT在處理復雜的相關(guān)變量時表現(xiàn)出較大的魯棒性和泛化能力，優(yōu)于RF模型[86]. 此外，GBM和XGB是具有代表性的boosting方法，具有減少模型偏差和方差的優(yōu)勢，但兩種方法都存在過擬合問題，需要調(diào)整模型參數(shù)[44].

基于機器學習和泛化理論的支持向量機(SVM)是使用內(nèi)核類模型的代表性算法. 與其他機器學習模型相比，具有較好的性能[91-92]. 此外，有研究對SVM進行優(yōu)化或?qū)⑵浼傻狡渌Ｐ椭? 例如，Hou等[93]基于AOD和氣象參數(shù)，建立連續(xù)超松弛支持向量回歸(SOR-SVR)模型估算PM2.5濃度，R2達0.87. Yang等[94]提出了一個結(jié)合LME和SVM的兩階段統(tǒng)計模型，估算福州市近地面PM2.5濃度，R2達0.81.

神經(jīng)網(wǎng)絡(luò)算法已被用于估算PM2.5濃度，包括人工神經(jīng)網(wǎng)絡(luò)(ANN)、深度神經(jīng)網(wǎng)絡(luò)(DNN)、反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)、廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)和深度信念網(wǎng)絡(luò)(DBN)等. 目前，各種典型神經(jīng)網(wǎng)絡(luò)模型已經(jīng)通過應用結(jié)構(gòu)變形來提高PM2.5估算的準確性.例如，Li等[95]開發(fā)了地理智能深度學習(Geoi-DBN)模型，將地理相關(guān)性納入智能深度學習架構(gòu)，其性能明顯優(yōu)于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò). Zang等[96]將PM1.0和PM2.5以及每小時AHI AOD結(jié)合成一個改進的廣義回歸神經(jīng)網(wǎng)絡(luò)模型，即PCA-GRNN模型，與傳統(tǒng)的GRNN模型(R2=0.67)相比，R2達0.74. Chen等[87]結(jié)合了AOD、氣象和其他輔助變量，開發(fā)了一個自適應深度神經(jīng)網(wǎng)絡(luò)(SADNN)模型，估算了2017-2018年每日空間連續(xù)的PM2.5濃度，R2達0.86.

2.3 組合模型

為了減少單個模型估算帶來的偏差，許多研究開始通過組合2個或多個模型來校準AOD-PM2.5與其他輔助變量之間的時空關(guān)系. LME+GWR或LME+GAM模型是最常用的組合方法(見圖2)，通過考慮第一階段模型估算結(jié)果與原數(shù)據(jù)之間的殘差，利用第二階段模型將殘差與AOD進行建模. Guo等[97]證實LME+GWR組合模型優(yōu)于單個LME模型；Ma等[49]研究發(fā)現(xiàn)，LME+GAM模型在估算日尺度PM2.5濃度時存在較大誤差，在月和季節(jié)水平上表現(xiàn)得更好；Zhang等[98]研究表明，LME+GWR模型優(yōu)于LME+GAM模型. 此外，Yao等[29]開發(fā)的TEFR+GWR空間結(jié)構(gòu)自適應組合模型，以及Liang等[99]開發(fā)的IPW+GAMM+KED三階段組合模型也達到了估算的理想效果.

越來越多的研究通過將機器學習模型加入到組合模型中提高PM2.5估算的精確性，如MLR+ANN或LME+SVM組合模型，其CVR2范圍為0.8～0.9. 機器學習模型的加入能夠有效提高PM2.5濃度的估算精度，更好地解釋統(tǒng)計回歸模型不能量化的變量之間的非線性關(guān)系.

綜上，組合模型比單個模型具有更好的近地面PM2.5濃度估算能力. 但是，額外的步驟可能會使分析過程更加復雜，技術(shù)細節(jié)可能會更加混亂.

3 結(jié)論

a) 隨著儀器質(zhì)量的逐步提高和檢索算法的不斷更新，各類衛(wèi)星反演的AOD產(chǎn)品的質(zhì)量顯著提升，促進了PM2.5濃度時空動態(tài)的有效監(jiān)測. 然而，目前AOD產(chǎn)品還難以同時滿足較高的時間和空間分辨率. LEO衛(wèi)星的AOD產(chǎn)品具有良好的空間分辨率，但沒有每小時估算PM2.5濃度的能力. 相比之下，GEO衛(wèi)星的AOD產(chǎn)品時間頻率較高，但空間分辨率相對較低；因此，開發(fā)統(tǒng)一的不同產(chǎn)品融合技術(shù)的數(shù)據(jù)庫是未來的重要研究方向.

b) 使用插補方法可以有效解決AOD在空間和時間上缺失的問題，插補后AOD比原始AOD產(chǎn)品具有更連續(xù)的時空分布和更高的準確性. 其中，基于模型的多變量估算可以實現(xiàn)數(shù)據(jù)的全面覆蓋，并獲得更好的估算精度；另外，多種插補方法(多源AOD數(shù)據(jù)融合、空間插值和基于模型的多變量估算)的組合應用具有良好的填充效果，是未來主要的研究和應用方向.

c) 基于AOD-PM2.5的相關(guān)關(guān)系建立的統(tǒng)計回歸模型，由于其簡單性、較低的預測誤差以及通用性，被廣泛應用于PM2.5估算，但統(tǒng)計回歸模型不能較好地處理數(shù)據(jù)間的非線性關(guān)系；機器學習模型具有處理各種相互作用變量之間復雜非線性關(guān)系的能力，并表現(xiàn)出良好的估算性能. 因此，開發(fā)高級統(tǒng)計回歸模型和機器學習模型將成為近年來大氣污染領(lǐng)域的研究熱點. 此外，各類機器學習模型和統(tǒng)計回歸模型的組合應用成為目前估算PM2.5濃度的重要手段，機器學習模型的加入能夠有效提高PM2.5濃度的估算精度.

參考文獻(References)：

［1］LIM S S, VOS T, FLAXMAN A D, et al.A comparative risk assessment of burden of disease and injury attributable to 67 risk factors and risk factor clusters in 21 regions, 1990-2010: a systematic analysis for the Global Burden of Disease Study 2010[J].The Lancet，2012，380（9859）：2224-2260.

［2］ 熊俊麗, 李彩艷.北京市冬季PM2.5濃度變化特征及估算模型研究[J].環(huán)境工程技術(shù)學報，2018，8（5）：533-538.

XIONG J L, LI C Y.Study on variation characteristics and estimation model of PM2.5concentration in Beijing in winter[J].Journal of Environmental Engineering Technology，2018，8（5）：533-538.

［3］GU Y, WONG T W, LAW C K, et al.Impacts of sectoral emissions in China and the implications: air quality, public health,crop production, and economic costs[J].Environmental Research Letters，2018，13（8）：084008.

［4］ 世界衛(wèi)生組織. 大氣污染[EB/OL]. 美國: 世界衛(wèi)生組織網(wǎng)站,2020[2021-10-15]. https://www.who.int/airpollution/en.

［5］ 王情, 朱歡歡, 杜鵬, 等.京津冀及周邊地區(qū)“十四五”及中長期PM2.5污染控制目標的健康效益預估研究[J].環(huán)境科學研究，2021，34（1）：220-228.

WANG Q, ZHU H H, DU P, et al.Health benefit of ‘14th Five-Year’ and medium & long-term PM2.5control targets in Beijing-Tianjin-Hebei and its surrounding areas[J].Research of Environmental Sciences，2021，34（1）：220-228.

［6］ 張懿華. 長三角地區(qū)PM2.5區(qū)域性污染時空變化特征[J]. 環(huán)境科學研究, 2021. doi:10.13198/j.issn.1001-6929.2021.09.03.

ZHANG Y H. Spatial-temporal characteristics of PM2.5regional pollution in the Yangtze River Delta Region[J]. Research of Environmental Sciences, 2021. doi:10.13198/j.issn.1001-6929.2021.09.03.

［7］ 王曉元, 江飛, 徐圣辰, 等.長三角區(qū)域大氣重污染應急減排效果評估[J].環(huán)境科學研究，2020，33（4）：783-791.

WANG X Y, JIANG F, XU S C, et al.Assessment of emergency emission reduction effect during a severe air pollution episode in Yangtze River Delta Region[J].Research of Environmental Sciences，2020，33（4）：783-791.

［8］WANG Q, WANG J N, HE M Z, et al.A county-level estimate of PM2.5related chronic mortality risk in China based on multi-model exposure data[J].Environment International，2018，110：105-112.

［9］ 陳輝, 厲青, 王中挺, 等.利用MODIS資料監(jiān)測京津冀地區(qū)近地面PM2.5方法研究[J].氣象與環(huán)境學報，2014，30（5）：27-37.

［10］ 吳健生, 王茜.基于AOD數(shù)據(jù)反演地面PM2.5濃度研究進展[J].環(huán)境科學與技術(shù)，2017，40（8）：68-76.

WU J S, WANG X.Research progress of retrieval ground-level PM2.5concentration based on AOD data[J].Environmental Science & Technology (China)，2017，40（8）：68-76.

［11］ 王子峰, 曾巧林, 陳良富, 等.利用衛(wèi)星遙感數(shù)據(jù)估算PM2.5濃度的應用研究進展[J].環(huán)境監(jiān)控與預警，2019，11（5）：33-38.

WANG Z F, ZENG Q L, CHEN L F, et al.Research progress of methodology and applications of PM2.5estimation using satellite remote sensing[J].Environmental Monitoring and Forewarning，2019，11（5）：33-38.

［12］KAHN R, BANERJEE P, MCDONALD D, et al.Sensitivity of multiangle imaging to aerosol optical depth and to pure-particle size distribution and composition over ocean[J].Journal of Geophysical Research:Atmospheres，1998，103（D24）：32195-32213.

［13］ 馬宗偉. 基于衛(wèi)星遙感的我國PM2.5時空分布研究[D]. 南京: 南京大學, 2015: 12-38.

［14］WEI X L, CHANG N B, BAI K X, et al. Satellite remote sensing of aerosol optical depth: advances, challenges, and perspectives[J].Critical Reviews in Environmental Science and Technology, 2020,50(16): 1640-1725.

［15］TANG D, LIU D R, TANG Y L, et al.Comparison of GOCI and Himawari-8 aerosol optical depth for deriving full-coverage hourly PM2.5across the Yangtze River Delta[J].Atmospheric Environment，2019，217：116973.

［16］ 金洪芳.基于遙感技術(shù)的大氣細顆粒物PM2.5監(jiān)測研究進展[J].測繪與空間地理信息，2016，39（8）：133-136.

JIN H F.Review of PM2.5monitoring based on remote sensing technology[J].Geomatics & Spatial Information Technology，2016，39（8）：133-136.

［17］LYAPUSTIN A, WANG Y J, KORKIN S, et al.MODIS Collection 6 MAIAC algorithm[J].Atmospheric Measurement Techniques，2018，11（10）：5741-5765.

［18］HU X F, WALLER L A, LYAPUSTIN A, et al.Estimating groundlevel PM2.5concentrations in the southeastern United States using MAIAC AOD retrievals and a two-stage model[J].Remote Sensing of Environment，2014，140：220-232.

［19］CHOI M, LIM H, KIM J, et al.Validation, comparison, and integration of GOCI, AHI, MODIS, MISR, and VIIRS aerosol optical depth over East Asia during the 2016 KORUS-AQ campaign[J].Atmospheric Measurement Techniques， 2019，12（8）：4619-4641.

［20］TAO M H, WANG J, LI R, et al.Performance of MODIS highresolution MAIAC aerosol algorithm in China: characterization and limitation[J].Atmospheric Environment，2019，213：159-169.

［21］KAHN R A, GAITLEY B J.An analysis of global aerosol type as retrieved by MISR[J].Journal of Geophysical Research:Atmospheres，2015，120（9）：4248-4281.

［22］ZHAO B, JIANG J H, GU Y, et al. Decadal-scale trends in regional aerosol particle properties and their linkage to emission changes[J]. 2017, 12(5): 054021.

［23］GARAY M J, KALASHNIKOVA O V, BULL M A.Development and assessment of a higher-spatial-resolution (4.4 km) MISR aerosol optical depth product using AERONET-DRAGON data[J].Atmospheric Chemistry and Physics，2017，17（8）：5095-5106.

［24］SI Y D, CHEN L F, XIONG X Z, et al.Evaluation of the MISR fine resolution aerosol product using MODIS, MISR, and ground observations over China[J].Atmospheric Environment，2020，223：117229.

［25］ 于雪, 趙文吉, 孫春媛, 等.大氣PM2.5遙感反演研究進展[J].環(huán)境污染與防治，2017，39（10）：1153-1158.

YU X, ZHAO W J, SUN C Y, et al.Progress study on remote sensing retrieval of atmospheric PM2.5concentration[J].Environmental Pollution & Control，2017，39（10）：1153-1158.

［26］HUANG J F, KONDRAGUNTA S, LASZLO I, et al.Validation and expected error estimation of Suomi-NPP VIIRS aerosol optical thickness and ?ngstr?m exponent with AERONET[J].Journal of Geophysical Research:Atmospheres，2016，121（12）：7139-7160.

［27］YAO F, SI M L, LI W F, et al.A multidimensional comparison between MODIS and VIIRS AOD in estimating ground-level PM2.5concentrations over a heavily polluted region in China[J].Science of the Total Environment，2018，618：819-828.

［28］MENG F, CAO C Y, SHAO X.Spatio-temporal variability of Suomi-NPP VIIRS-derived aerosol optical thickness over China in 2013[J].Remote Sensing of Environment，2015，163：61-69.

［29］YAO F, WU J S, LI W F, et al.A spatially structured adaptive twostage model for retrieving ground-level PM2.5concentrations from VIIRS AOD in China[J].ISPRS Journal of Photogrammetry and Remote Sensing，2019，151：263-276.

［30］XUE W H, WEI J, ZHANG J, et al.Inferring near-surface PM2.5concentrations from the VIIRS deep blue aerosol product in China:a spatiotemporally weighted random forest model[J].Remote Sensing，2021，13（3）：505.

［31］CHEN Y J, WU S S, WANG Y Y, et al.Satellite-based mapping of high-resolution ground-level PM2.5with VIIRS IP AOD in China through spatially neural network weighted regression[J].Remote Sensing，2021，13（10）：1979.

［32］JACKSON J M, LIU H Q, LASZLO I, et al.Suomi-NPP VIIRS aerosol algorithms and data products[J].Journal of Geophysical Research:Atmospheres，2013，118（22）：12673-12689.

［33］ZHANG H, KONDRAGUNTA S, LASZLO I, et al. An enhanced VIIRS aerosol optical thickness (AOT) retrieval algorithm over land using a global surface reflectance ratio database[J]. Journal of Geophysical Research: Atmospheres, 2016. doi:10.1002/2016jd024859.

［34］LI C, LI J, XU H, et al.Evaluating VIIRS EPS aerosol optical depth in China: an intercomparison against ground-based measurements and MODIS[J].Journal of Quantitative Spectroscopy and Radiative Transfer，2019，224：368-377.

［35］ 李志鵬, 陳健.基于GOCI衛(wèi)星的大氣細顆粒物PM2.5的遙感反演及其時空分布規(guī)律研究[J].遙感技術(shù)與應用，2020，35（1）：163-173.

LI Z P, CHEN J.Remote sensing retrieval of atmospheric fine particle PM2.5based on GOCI satellite and its temporal and spatial distribution[J].Remote Sensing Technology and Application，2020，35（1）：163-173.

［36］WANG J W, LI Z Q.Estimation of ground-level dry PM2.5concentrations at 3 km resolution over Beijing using Geostationary Ocean Colour Imager[J].Remote Sensing Letters，2020，11（10）：913-922.

［37］ 張曉虎, 陸風, 竇芳麗, 等.國外地球同步軌道氣象衛(wèi)星成像觀測模式發(fā)展分析[J].氣象科技進展，2016，6（1）：124-128.

ZHANG X H, LU F, DOU F L, et al.Analysis on the observation model of foreign geostationary meteorological satellite[J].Advances in Meteorological Science and Technology，2016，6（1）：124-128.

［38］MAO F Y, HONG J, MIN Q L, et al.Estimating hourly fullcoverage PM2.5over China based on TOA reflectance data from the Fengyun-4A satellite[J].Environmental Pollution，2021，270：116119.

［39］ 王子翔, 李正強, 光潔, 等.GF-4大氣校正并行算法研究[J].大氣與環(huán)境光學學報，2021，16（3）：269-282.

WANG Z X, LI Z Q, GUANG J, et al.Study on parallel method of atmospheric correction for GF-4 images[J].Journal of Atmospheric and Environmental Optics，2021，16（3）：269-282.

［40］ 許夢婕, 鮑艷松, 許丹, 等.基于FY-4A衛(wèi)星數(shù)據(jù)反演氣溶膠光學厚度及分析應用[J].中國環(huán)境科學，2020，40（12）：5162-5168.

XU M J, BAO Y S, XU D, et al.Retrieval of aerosol optical depth based on FY-4A satellite data and its analysis and application[J].China Environmental Science，2020，40（12）：5162-5168.

［41］ 江琪, 迎春, 王飛, 等.利用FY-4A衛(wèi)星光學數(shù)據(jù)對中國近地面PM2.5濃度的估算和檢驗分析[J].氣象學報，2021，79（3）：492-508.

JIANG Q, YING C, WANG F, et al.Estimates and verification of surface PM2.5mass concentration in China based on FY-4A satellite optical products[J].Acta Meteorologica Sinica，2021，79（3）：492-508.

［42］ZHANG H, KONDRAGUNTA S. Daily and hourly surface PM2.5estimation from satellite AOD[J]. Earth and Space Science, 2021.doi:10.1029/2020ea001599.

［43］ZHANG H, KONDRAGUNTA S, LASZLO I, et al.Improving GOES advanced baseline imager (ABI) aerosol optical depth(AOD) retrievals using an empirical bias correction algorithm[J].Atmospheric Measurement Techniques，2020，13（11）：5955-5975.

［44］SHIN M, KANG Y, PARK S, et al.Estimating ground-level particulate matter concentrations using satellite-based data: a review[J].GIScience & Remote Sensing，2020，57（2）：174-189.

［45］CHEN Z Y, ZHANG T H, ZHANG R, et al.Extreme gradient boosting model to estimate PM2.5concentrations with missingfilled satellite data in China[J].Atmospheric Environment，2019，202：180-189.

［46］HAN W H, TONG L, CHEN Y P, et al.Estimation of highresolution daily ground-level PM2.5concentration in Beijing 2013-2017 using 1 km MAIAC AOT data[J].Applied Sciences，2018，8（12）：2624.

［47］WEI J, HUANG W, LI Z Q, et al.Estimating 1-km-resolution PM2.5concentrations across China using the space-time random forest approach[J].Remote Sensing of Environment，2019，231：111221.

［48］ 楊曉輝, 宋春杰, 范麗行, 等.京津冀地區(qū)高分辨率PM2.5濃度時空變化模擬與分析[J].環(huán)境科學，2021，42（9）：4083-4094.

YANG X H, SONG C J, FAN L H, et al.High-resolution estimation of spatio-temporal variation in PM2.5concentrations in the Beijing-Tianjin-Hebei Region[J].Environmental Science，2021，42（9）：4083-4094.

［49］MA Z W, HU X F, SAYER A M, et al.Satellite-based spatiotemporal trends in PM2.5concentrations: China, 2004-2013[J].Environmental Health Perspectives，2016，124（2）：184-192.

［50］HUA Z Q, SUN W W, YANG G, et al.A full-coverage daily average PM2.5retrieval method with two-stage IVW fused MODIS C6 AOD and two-stage GAM model[J].Remote Sensing，2019，11（13）：1558.

［51］ 付宏臣, 孫艷玲, 王斌, 等.基于AOD數(shù)據(jù)和GWR模型估算京津冀地區(qū)PM2.5濃度[J].中國環(huán)境科學，2019，39（11）：4530-4537.

FU H C, SUN Y L, WANG B, et al.Estimation of PM2.5concentration in Beijing-Tianjin-Hebei Region based on AOD data and GWR model[J].China Environmental Science，2019，39（11）：4530-4537.

［52］KLOOG I, KOUTRAKIS P, COULL B A, et al.Assessing temporally and spatially resolved PM2.5exposures for epidemiological studies using satellite aerosol optical depth measurements[J].Atmospheric Environment，2011，45（35）：6267-6275.

［53］LV B, HU Y T, CHANG H H, et al.Daily estimation of groundlevel PM2.5concentrations at 4 km resolution over Beijing-Tianjin-Hebei by fusing MODIS AOD and ground observations[J].Science of the Total Environment，2017，580：235-244.

［54］ 梅楊, 黨麗娜, 楊勇, 等.基于時空克里格的PM2.5時空預測及分析[J].環(huán)境科學與技術(shù)，2016，39（7）：157-163.

MEI Y, DANG L N, YANG Y, et al.Spatio-temporal prediction and analysis of PM2.5based on spatiotemploral Kriging[J].Environmental Science & Technology (China)，2016，39（7）：157-163.

［55］ZHANG R X, DI B F, LUO Y Z, et al.A nonparametric approach to filling gaps in satellite-retrieved aerosol optical depth for estimating ambient PM2.5levels[J].Environmental Pollution，2018，243：998-1007.

［56］BI J Z, BELLE J H, WANG Y J, et al.Impacts of snow and cloud covers on satellite-derived PM2.5levels[J].Remote Sensing of Environment，2019，221：665-674.

［57］XU X H, ZHANG C K, LIANG Y.Review of satellite-driven statistical models PM2.5concentration estimation with comprehensive information[J].Atmospheric Environment，2021，256：118302.

［58］JIANG T T, CHEN B, NIE Z, et al.Estimation of hourly fullcoverage PM2.5concentrations at 1-km resolution in China using a two-stage random forest model[J].Atmospheric Research，2021，248：105146.

［59］DI Q, KLOOG I, KOUTRAKIS P, et al.Assessing PM2.5exposures with high spatiotemporal resolution across the continental United States[J].Environmental Science & Technology，2016，50（9）：4712-4721.

［60］LI L F，F(xiàn)RANKLIN M，GIRGUIS M，et al. Spatiotemporal imputation of MAIACAOD using deep learning with downscaling[J]. Remote Sensing of Environment， 2020，237：111584.

［61］PU Q, YOO E H.Ground PM2.5prediction using imputed MAIAC AOD with uncertainty quantification[J].Environmental Pollution，2021，274：116574.

［62］RANJAN A K, PATRA A K, GORAI A K.A review on estimation of particulate matter from satellite-based aerosol optical depth: data, methods, and challenges[J].Asia-Pacific Journal of Atmospheric Sciences，2021，57（3）：679-699.

［63］JUN W.Intercomparison between satellite-derived aerosol optical thickness and PM2.5mass: implications for air quality studies[J].Geophysical Research Letters，2003，30（21）：2095.

［64］ENGEL-COX J A, HOLLOMAN C H, COUTANT B W, et al.Qualitative and quantitative evaluation of MODIS satellite sensor data for regional and urban scale air quality[J].Atmospheric Environment，2004，38（16）：2495-2509.

［65］GUPTA P, CHRISTOPHER S A.Particulate matter air quality assessment using integrated surface, satellite, and meteorological products: multiple regression approach[J].Journal of Geophysical Research Atmospheres，2009，114（D14）：D14205.

［66］ 李嘯天, 吳紹華, 徐于月, 等.江蘇省PM2.5質(zhì)量濃度的時空變化格局模擬[J].環(huán)境監(jiān)測管理與技術(shù)，2017，29（2）：16-20.

LI X T, WU S H, XU Y Y, et al.Temporal and spatial variation pattern of PM2.5mass concentration in Jiangsu[J].Administration and Technique of Environmental Monitoring，2017，29（2）：16-20.

［67］LI T W, SHEN H F, ZENG C, et al.Point-surface fusion of station measurements and satellite observations for mapping PM2.5distribution in China: methods and assessment[J].Atmospheric Environment，2017，152：477-489.

［68］CHELANI A B.Estimating PM2.5concentration from satellite derived aerosol optical depth and meteorological variables using a combination model[J].Atmospheric Pollution Research，2019，10（3）：847-857.

［69］AHMAD M, ALAM K, TARIQ S, et al.Estimating fine particulate concentration using a combined approach of linear regression and artificial neural network[J].Atmospheric Environment，2019，219：117050.

［70］ 許剛, 焦利民, 肖豐濤, 等.土地利用回歸模型模擬京津冀PM2.5濃度空間分布[J].干旱區(qū)資源與環(huán)境，2016，30（10）：116-120.

XU G, JIAO L M, XIAO F T, et al.Applying land use regression model to estimate spatial distribution of PM2.5concentration in Beijing-Tianjin-Hebei Region[J].Journal of Arid Land Resources and Environment，2016，30（10）：116-120.

［71］LI R K, MA T X, XU Q, et al.Using MAIAC AOD to verify the PM2.5spatial patterns of a land use regression model[J].Environmental Pollution，2018，243：501-509.

［72］LEE H J, LIU Y, COULL B A, et al.A novel calibration approach of MODIS AOD data to predict PM2.5concentrations[J].Atmospheric Chemistry and Physics，2011，11（15）：7991-8002.

［73］ 孫成, 王衛(wèi), 劉方田, 等.基于線性混合效應模型的河北省PM2.5濃度時空變化模型研究[J].環(huán)境科學研究，2019，32（9）：1500-1509.

SUN C, WANG W, LIU F T, et al.Spatial-temporal simulation of PM2.5concentration in Hebei Province based on linear mixed effects model[J].Research of Environmental Sciences，2019，32（9）：1500-1509.

［74］MA Z W, LIU Y, ZHAO Q Y, et al.Satellite-derived high resolution PM2.5concentrations in Yangtze River Delta Region of China using improved linear mixed effects model[J].Atmospheric Environment，2016，133：156-164.

［75］WANG W, HE J C, MIAO Z L, et al.Space-time linear mixed-Effects (STLME) model for mapping hourly fine particulate loadings in the Beijing-Tianjin-Hebei Region, China[J].Journal of Cleaner Production，2021，292：125993.

［76］BRUNSDON C, FOTHERINGHAM A S, CHARLTON M E.Geographically weighted regression: a method for exploring spatial nonstationarity[J].Geographical Analysis，2010，28（4）：281-298.

［77］HU Z Y.Spatial analysis of MODIS aerosol optical depth, PM2.5,and chronic coronary heart disease[J].International Journal of Health Geographics，2009，8（1）：1-10.

［78］MA Z W, HU X F, HUANG L, et al.Estimating ground-level PM2.5in China using satellite remote sensing[J].Environmental Science& Technology，2014，48（13）：7436-7444.

［79］BAI Y, WU L X, QIN K, et al.A geographically and temporally weighted regression model for ground-level PM2.5estimation from satellite-derived 500 m resolution AOD[J].Remote Sensing，2016，8（3）：262.

［80］HE Q Q, HUANG B.Satellite-based high-resolution PM2.5estimation over the Beijing-Tianjin-Hebei Region of China using an improved geographically and temporally weighted regression model[J].Environmental Pollution，2018，236：1027-1037.

［81］HE Q Q, HUANG B.Satellite-based mapping of daily highresolution ground PM2.5in China via space-time regression modeling[J].Remote Sensing of Environment，2018，206：72-83.

［82］HE Q Q, GU Y F, ZHANG M.Spatiotemporal trends of PM2.5concentrations in central China from 2003 to 2018 based on MAIAC-derived high-resolution data[J].Environment International，2020，137：105536.

［83］LIU Y, PACIOREK C J, KOUTRAKIS P.Estimating regional spatial and temporal variability of PM2.5concentrations using satellite data, meteorology, and land use information[J].Environmental Health Perspectives，2009，117（6）：886-892.

［84］YOU W, ZANG Z L, PAN X B, et al.Estimating PM2.5in Xi'an,China using aerosol optical depth: a comparison between the MODIS and MISR retrieval models[J].Science of the Total Environment，2015，505：1156-1165.

［85］BELOCONI A, KAMARIANAKIS Y, CHRYSOULAKIS N.Estimating urban PM10and PM2.5concentrations, based on synergistic MERIS/AATSR aerosol observations, land cover and morphology data[J].Remote Sensing of Environment，2016，172：148-164.

［86］ZHANG T N, HE W H, ZHENG H, et al.Satellite-based ground PM2.5estimation using a gradient boosting decision tree[J].Chemosphere，2021，268：128801.

［87］CHEN B J, YOU S X, YE Y, et al.An interpretable self-adaptive deep neural network for estimating daily spatially-continuous PM2.5concentrations across China[J].Science of the Total Environment，2021，768：144724.

［88］HUANG K Y, XIAO Q Y, MENG X, et al.Predicting monthly high-resolution PM2.5concentrations with random forest model in the North China Plain[J].Environmental Pollution，2018，242：675-683.

［89］ZHAO C, WANG Q, BAN J, et al.Estimating the daily PM2.5concentration in the Beijing-Tianjin-Hebei Region using a random forest model with a 0.01° × 0.01° spatial resolution[J].Environment International，2020，134：105297.

［90］BAI H M, ZHENG Z, ZHANG Y P, et al.Comparison of satellitebased PM2.5estimation from aerosol optical depth and top-ofatmosphere reflectance[J].Aerosol and Air Quality Research，2021，21（2）：200257.

［91］MOAZAMI S, NOORI R, AMIRI B J, et al.Reliable prediction of carbon monoxide using developed support vector machine[J].Atmospheric Pollution Research，2016，7（3）：412-418.

［92］YEGANEH B, HEWSON M G, CLIFFORD S, et al.A satellitebased model for estimating PM2.5concentration in a sparsely populated environment using soft computing techniques[J].Environmental Modelling & Software，2017，88：84-92.

［93］HOU W Z, LI Z Q, ZHANG Y H, et al.Using support vector regression to predict PM10and PM2.5[J].IOP Conference Series:Earth and Environmental Science，2014，17：012268.

［94］YANG L J, XU H Q, JIN Z F.Estimating ground-level PM2.5over a coastal region of China using satellite AOD and a combined model[J].Journal of Cleaner Production，2019，227：472-482.

［95］LI T W, SHEN H F, YUAN Q Q, et al.Estimating ground-level PM2.5by fusing satellite and station observations: a geo-intelligent deep learning approach[J].Geophysical Research Letters，2017，44（23）：11985-11993.

［96］ZANG L, MAO F Y, GUO J P, et al.Estimation of spatiotemporal PM1.0distributions in China by combining PM2.5observations with satellite aerosol optical depth[J].Science of the Total Environment，2019，658：1256-1264.

［97］GUO W, ZHANG B, WEI Q, et al.Estimating ground-level PM2.5concentrations using two-stage model in Beijing-Tianjin-Hebei,China[J].Atmospheric Pollution Research，2021，12（9）：101154.

［98］ZHANG K N, DE-LEEUW G, YANG Z Q, et al.Estimating spatiotemporal variations of PM2.5concentrations using VIIRS-derived AOD in the Guanzhong basin, China[J].Remote Sensing，2019，11（22）：2679.

［99］LIANG F C, XIAO Q Y, WANG Y J, et al.MAIAC-based longterm spatiotemporal trends of PM2.5in Beijing, China[J].Science of the Total Environment，2018，616/617：1589-1598.