作者：杨立娟,张建霞,林木生

作者单位：闽江学院测绘工程系

　　卫星遥感反演的气溶胶光学深度（AOD）产品已被广泛应用于近地面PM2.5浓度的估算。已有研究表明通过构建AOD和PM2.5之间的高级统计模型—线性混合效应模型（LME）可以有效获取近地面PM2.5浓度的空间分布，但由于引入了大量的气象和土地利用等因子，使得模型对变量的解译能力有所降低。为此，基于MODIS AOD（空间分辨率：3 km），以我国东部长江三角洲—福建—广东（YRD-FJ-GD）为研究区，构建了两种非参数机器学习模型，即支持向量机（SVM）和随机森林（RF）模型，来估算2018年YRD-FJ-GD地区的近地面PM2.5浓度，并将其与线性混合效应模型（LME）的估算结果进行对比。研究发现，3种模型估算的PM2.5浓度与地面实测值之间的R2均高于0.6，其中，RF模型的估算精度最优，模型拟合的R2高达0.91，比SVM模型（R2=0.79）和LME模型（R2=0.64）的估算结果分别提高了13%和30%；且RMSE（~9.07 μg/m3）也远低于LME（~19.09 μg/m3）和SVM模型（~17.29 μg/m3）。此外，由随机森林（RF）模型估算的2018年YRD-FJ-GD地区的PM2.5空间分布显示，长江三角洲（YRD）地区的年均PM2.5浓度最高（>46 μg/m3），其次为广东省（GD），福建地区（FJ）的年均PM2.5浓度最低（<37 μg/m3）；4个季节的平均PM2.5浓度则呈现冬季（46.32 μg/m3）>春季（38.80 μg/m3）>秋季（36.15 μg/m3）>夏季（30.16 μg/m3）的分布格局。

　　结果表明：

　　与高级统计模型（LME）和机器学习（SVM）相比，随机森林（RF）模型能更好地应用于YRD-FJ-GD地区的PM2.5浓度估算。