地球静止卫星和网格化站点支持下的PM_2.5精细制图

地球静止卫星和网格化站点支持下的PM 2.5 精细制图 Fine mapping of PM 2.5 based on measurements from geostationary satellites and grid monitoring stations 1 2 first-author 范东浩，研究方向为大气遥感。E-mail： fandonghao21@mails.ucas.ac.cn 范东浩，研究方向为大气遥感。E-mail： fandonghao21@mails.ucas.ac.cn fandonghao21@mails.ucas.ac.cn 1 corresp 秦凯，研究方向为大气环境遥感、遥感大数据与机器学习。E-mail：qinkai@cumt.edu.cn 秦凯，研究方向为大气环境遥感、遥感大数据与机器学习。E-mail：qinkai@cumt.edu.cn qinkai@cumt.edu.cn 3 1 1 2 1 2 中国矿业大学 环境与测绘学院, 徐州 221116 中国矿业大学 环境与测绘学院, 徐州 221116 School of Environment Science and Spatial Informatics, China University of Mining and Technology, Xuzhou 221116, China School of Environment Science and Spatial Informatics, China University of Mining and Technology, Xuzhou 221116, China 中国科学院空天信息创新研究院, 北京 100094 中国科学院空天信息创新研究院, 北京 100094 Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China 江苏省徐州环境监测中心, 徐州 221002 江苏省徐州环境监测中心, 徐州 221002 Xuzhou Environmental Monitoring Center, Jiangsu Province, Xuzhou 221002, China Xuzhou Environmental Monitoring Center, Jiangsu Province, Xuzhou 221002, China 许多城市建立的相对稠密的网格化监测站点，为精细化监管城市空气质量奠定了基础。本文选用徐州市网格化监测数据、地球静止卫星Himawari-8/AHI及COMS/GOCI的表观反射率和气溶胶光学厚度数据、气象和其他辅助数据，开展了徐州地区0.005°空间分辨率网格的PM 2.5 浓度精细化制图研究。本文使用了极端梯度提升（XGBoost）、随机森林（RF）及时空加权回归（GTWR）等3种方法，并选用多种特征参数组合进行对比分析。综合分析模型精度和过拟合程度，结果表明XGBoost模型表现最好，其 R 2 为0.90，RMSE为11.65 μg/m 3 。进一步将本文结果与国控站点、清华大学的TAP数据集和马里兰大学的CHAP数据集的对比分析，结果表明基于网格化站点的PM 2.5 制图结果能更好地反映城市内部不同区域的PM 2.5 浓度分布差异性，弥补因国控站点稀疏带来的缺陷，更好地服务于城市空气质量精准管控。 The dense gridded air quality monitoring sites established by local governments in China have laid the foundation for fine-tuned monitoring of urban air quality. However, whether it can help improve the capabilities of satellite-based surface PM 2.5 concentration estimation and mapping remain to be tested. To this end, we conducted a case study with Xuzhou as an example. In order to describe the spatial distribution of PM 2.5 in detail at urban scale , this study used the PM 2.5 concentration data from 172 grid monitoring stations in Xuzhou, the apparent reflectance and aerosol optical thickness data from the Himawari-8/AHI and COMS/GOCI, meteorological data from ERA5 and other auxiliary data to carry out fine mapping study of PM2.5 concentration on the 0.005° spatial resolution grid. The machine learning and geostatistical algorithms of eXtreme Gradient Boosting (XGBoost), Random Forest (RF) and Geographically and Temporally Weight Regression (GTWR) are applied, and a variety of characteristic parameter combinations (listed in the body of the paper) were selected for comparative analysis. Compared with other two prediction models, the XGBoost model performed the best, in terms of model accuracy and degree of overfitting, with high correlation coefficient (0.90) and low root mean squard error (11.65 μg/m 3 ). Meanwhile, the best parameter combination includes satellite data from Himawari-8 as well as GOCI and meteorological data from ERA5. These retrieved results were then compared with the measurements obtained from the national grid monitoring stations. For peer comparison, in addition, the TAP (Tracking Air Pollution in China) dataset of Tsinghua University and the CHAP (China High AirPollutants) dataset of the University of Maryland are also involved in this comparison, in the aspect of daily mean value and capacity of fine mapping of PM 2.5 in Xuzhou. Besides, these two datasets use the data from national grid monitoring stations as the validation data.. The following conclusions can be drawn: (1) Due to its higher temporal resolution, geostationary satellite measurements can better fit hourly urban grid monitoring station data in model prediction, and is more suitable for urban PM 2.5 fine mapping than polar orbit satellite; (2) The estimation results based on urban grid monitoring stations and satellite measurements can make up for the lack of sparse national control stations to a certain extent, better reflect the difference of PM 2.5 concentration distribution between different regions within a city, and better serve the accurate control of air pollution. 遥感 PM 2.5 网格化 精细化制图 气溶胶光学厚度 表观反射率 remote sensing PM 2.5 grid site fine drawing Aerosol Optical Depth (AOD) apparent reflectance 1　引言 1 PM 2.5 因其粒径小、面积大、活性强、易附毒害物质且能在大气中停留较长时间、输送较远距离等特点（ Saffari等，2014 Saffari等，2014 ），对人体健康和大气环境质量有很大危害，是中国主要的空气污染源之一（ Cao等，2012 Cao等，2012 ）。 基于卫星遥感数据估算近地面颗粒物的方法有比例因子法或化学传输模式法（ Cameron等，2017 Cameron等，2017 ）、物理经验法（ 张莹和李正强，2013 张莹和李正强，2013 ）及统计模型法等（ Zhang等，2021 Zhang等，2021 ）。统计模型法又包括 Wang和Christopher（2003） Wang和Christopher（2003） 采用的简单线性回归方法、经研究发现预测水平显著高于简单线性回归的多元线性回归模型方法（ Koelemeijer等，2006 Koelemeijer等，2006 ； Wu等，2012 Wu等，2012 ； 潘锦秀 等，2019 潘锦秀 等，2019 ），地理加权回归模型（GWR）（ Hu，2009 Hu，2009 ），地理时空加权回归方法（GTWR）（ Huang等，2010 Huang等，2010 ），神经网络方法（ Ordieres等，2005 Ordieres等，2005 ； 郭建平 等，2013 郭建平 等，2013 ； Chen等，2020 Chen等，2020 ）等方法。在卫星选用上，早期多选用MODIS传感器数据，目前日本葵花8号卫星（Himawari-8/AHI）及韩国千里眼卫星（COMS/GOCI）的卫星遥感数据正广泛被应用在近地面颗粒物遥感估算（ Xu等，2015 Xu等，2015 ； Wang等，2017 Wang等，2017 ； Tang等，2019 Tang等，2019 ）。通常卫星AOD产品是经过卫星表观反射率（TOA）反演而来（ Hsu等，2004 Hsu等，2004 ； Guo等，2009 Guo等，2009 ）。基于此，可以直接建立TOA产品和地面站点监测的PM 2.5 浓度的反演模型（ Shen等，2018 Shen等，2018 ； Fan等，2021 Fan等，2021 ； Yin等，2021 Yin等，2021 ）。对于PM 2.5 选取目前多采用中国环境监测总站CNEMC（China Environmental Monitoring Center）的国控站点数据（ Zou等，2017 Zou等，2017 ； Wang等，2018 Wang等，2018 ； Tang等，2019 Tang等，2019 ； Bai等，2019a Bai等，2019a ）。当前，许多地方政府完成了网格化空气质量监测网络建设，为精细化监管城市空气质量奠定了基础。本文旨在检验网格化地面监测站点支持下的卫星遥感PM 2.5 精细化制图能力，以徐州为例，以网格化地面监测站点和Himawari-8/AHI及COMS/GOCI卫星数据为主，辅以气象、人口、道路网密度等数据，开展对比实验研究。 2　研究区域和数据 1 2.1　研究区域概况 2 本文研究区域为江苏省徐州市（33°43'N—34°58'N、116°22'E—118°40'E），是淮海经济区中心城市，下辖2市（新沂市、邳州市）、3县（丰县、沛县、睢宁县）、5区（云龙区、鼓楼区、泉山区、铜山区、贾汪区）。徐州周边有大型煤炭或煤电基地及大量化工企业，主要工业区位于贾汪区内（ 樊文智 等，2018 樊文智 等，2018 ； 张宇静 等，2019 张宇静 等，2019 ）。徐州市市区（铜山区、泉山区、云龙区和鼓楼区）是徐州市整体各类大气污染物浓度较高的区域。除城市排放因素外，还与徐州市区四面环山的盆地效应有关。 2.2　Himawari-8/AHI 2 日本宇航局JAXA（Japan Aerospace Exploration Agency）于2014-10-07发射了新一代静止卫星“葵花8号”（Himawari-8），并于2015-07开始业务化运行。Himawari-8卫星具有良好的时间分辨率，可以实现10 min/次的高频观测，其上搭载的AHI传感器拥有16个波段，可见光波段范围内空间分辨率最高可达0.005°。 本文使用了逐小时的Himawari-8/AHI L3级TOA（表观反射率）数据，时间阶段为2019-07—2020-06期间每天的8：00—15：00（为方便数据处理，选取与COMS/GOCI一致的时间序列），空间分辨率最高为0.005°（ Bessho等，2016 Bessho等，2016 ），包括蓝光（1波段，470 nm，0.01°分辨率）、绿光（2波段，510 nm，0.01°分辨率）、红光（3波段，640 nm，0.005°分辨率）及短波红外波段（6波段，2300 nm，0.02°分辨率）。此外，使用红光和近红外波段（4波段，860 nm，0.01°分辨率）计算了归一化植被指数NDVI（Normalized Difference Vegetation Index），还用到了相关角度数据等。 对于表观反射率的处理，参照 Yan等（2020） Yan等（2020） 中将AHI传感器的反照率数据转为TOA数据的方法，如 式（1） 式（1） 所示： <math display="block" id="M1"><mi>ρ</mi><mi mathvariant="normal">*</mi><mo>=</mo><mfrac><mrow><msub><mrow><mi>λ</mi></mrow><mrow><mi mathvariant="normal">a</mi><mi mathvariant="normal">l</mi><mi mathvariant="normal">b</mi><mi mathvariant="normal">d</mi><mi mathvariant="normal">e</mi><mi mathvariant="normal">o</mi></mrow></msub></mrow><mrow><mi mathvariant="normal">c</mi><mi mathvariant="normal">o</mi><mi mathvariant="normal">s</mi><mfenced separators="|"><mrow><msub><mrow><mi>θ</mi></mrow><mrow><mn mathvariant="normal">0</mn></mrow></msub></mrow></mfenced></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28624822&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28624821&type= 19.89666748 10.15999985 式中， <math id="M2"><mi>ρ</mi><mi mathvariant="normal">*</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28624858&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28624825&type= 3.55599999 3.38666677 为表观反射率， <math id="M3"><msub><mrow><mi>θ</mi></mrow><mrow><mn mathvariant="normal">0</mn></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28624850&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28624859&type= 2.87866688 3.80999994 为太阳天顶角， <math id="M4"><msub><mrow><mi>λ</mi></mrow><mrow><mi mathvariant="normal">a</mi><mi mathvariant="normal">l</mi><mi mathvariant="normal">b</mi><mi mathvariant="normal">d</mi><mi mathvariant="normal">e</mi><mi mathvariant="normal">o</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28624854&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28624862&type= 7.53533268 3.72533321 为反照率。 2.3　COMS/GOCI卫星数据 2 韩国的通信海洋气象卫星，或称千里眼卫星COMS（Communication Ocean Meteorological Satellite）于2010年6月发射，定轨于128.2°E，是一颗静止轨道多用途卫星。COMS卫星主要搭载3种有效载荷：Ka频段通信仪、地球同步海洋水色成像仪GOCI（Geostationary Ocean Color Imager）和气象成像仪。 本文所用为COMS卫星的GOCI传感器数据，以（36°N，130°E），为观测中心，陆地范围包括朝鲜半岛、中国东部和日本，空间分辨率最高可达0.005°，时间分辨率为1 h。GOCI每天可传输北京时间8：00—15：00共8幅图像（ Ryu等，2012 Ryu等，2012 ）。 本文采用GOCI的L1B波段数据作为建模数据，共使用8个光谱通道进行气溶胶反演，前6个为可见光波段，而后2个为近红外波段，并参照 Choi等（2016） Choi等（2016） 所给出的如 式（2） 式（2） ，对L1B数据进行预处理。 <math display="block" id="M5"><msub><mrow><mi>ρ</mi></mrow><mrow><mi mathvariant="normal">T</mi><mi mathvariant="normal">O</mi><mi mathvariant="normal">A</mi></mrow></msub><mfenced separators="|"><mrow><mi>λ</mi></mrow></mfenced><mo>=</mo><mfrac><mrow><mi mathvariant="normal">π</mi><mo>⋅</mo><mi>L</mi><mfenced separators="|"><mrow><mi>λ</mi></mrow></mfenced></mrow><mrow><msub><mrow><mi>μ</mi></mrow><mrow><mn mathvariant="normal">0</mn></mrow></msub><mo>⋅</mo><msub><mrow><mi>E</mi></mrow><mrow><mn mathvariant="normal">0</mn></mrow></msub><mfenced separators="|"><mrow><mi>λ</mi></mrow></mfenced></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28624869&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28624856&type= 31.49600029 9.14400005 式中， <math id="M6"><mi>λ</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28624890&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28624874&type= 2.28600001 2.62466669 为上述的8个光谱波段波长， <math id="M7"><mi>L</mi><mfenced separators="|"><mrow><mi>λ</mi></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28624879&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28624877&type= 7.53533268 3.72533321 为GOCI的辐射高度， <math id="M8"><msub><mrow><mi>μ</mi></mrow><mrow><mn mathvariant="normal">0</mn></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28624883&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28624881&type= 3.13266683 4.48733330 为观测时太阳天顶角， <math id="M9"><msub><mrow><mi>E</mi></mrow><mrow><mn mathvariant="normal">0</mn></mrow></msub><mfenced separators="|"><mrow><mi>λ</mi></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28624886&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28624895&type= 8.72066593 4.14866638 为太阳辐射能流。 此外还采用YEAR-V2版本（ Choi等，2016 Choi等，2016 ）的GOCI-AOD数据，其空间分辨率较粗仅为6 km，因此只作为掩膜的判别数据，不作为建模的特征参数。 2.4　PM 2.5 浓度地面观测数据 2 徐州于2018年建成了覆盖全市的空气质量网格化监测网络，本文使用其中的172个站点（ 图1 图1 ）的逐小时观测数据。考虑到逐小时PM 2，5 浓度变化较大，可能存在随机偏差，参照原环境保护部发布的《灰霾污染日判别标准》，筛选PM 2.5 浓度在0—500 μg/m 3 内的数据以减小站点数据漂移带来的影响。为了与卫星遥感数据进行时空匹配，以0.005°空间分辨率构建网格，同一网格内的不同站点求均值。最终，形成了覆盖徐州市的165个网格，所用质控合格率为99%，数据有效率为91%（数据有效率=采用的数据数/实际上传的数据数；数据质控合格率=采用的数据数/应上传的总数）。此外，本文还使用了7个国控站点的逐小时PM 2.5 数据（ http：//106.37.208.233：20035/ http://106.37.208.233:20035/ ［2021-07-19］）作为对比，分别是黄河新村、淮塔、新城区、桃园路、农科院、鼓楼区政府和铜山区招生办站点。 2.5　其他数据集 2 为了获得大范围的气象数据，本文使用ECMWF（欧洲中期天气预报中心）的ERA5气象数据（Fifth Generation Atmospheric Reanalysis）（ Hersbach等，2020 Hersbach等，2020 ），其时间分辨率为逐小时，空间分辨率为0.25°。本文主要使用了9个气象参数，即地表气压、总降雨量、2 m露点温度、2 m气温、10 m经向风、10 m纬向风、边界层高度、高植被叶面积指数和低植被叶面积指数。 人口数据来自于世界人口网站WorldPop（ https：//www.worldpop.org https://www.worldpop.org ［2021-07-19］），其通过人口普查及top-down的估计方法得到100 m空间分辨率的网格化数据（ Stevens等，2015 Stevens等，2015 ； Lloyd等，2019 Lloyd等，2019 ），本文选用2019年及2020年年均数据。土地利用数据来源于清华大学发布的FROM-GLC分类模型（Finer Resolution Observation and Monitoring of Global Land Cover）（ Gong等，2013 Gong等，2013 ）。道路网密度数据来源于OpenStreetMap网站（ https：//www.openstreetmap.org https://www.openstreetmap.org ［2021-07-19］）。 2.6　研究方法 2 本文使用了两种集成式机器学习方法，分别为Boosting的极端梯度提升XGBoost和Bagging的随机森林，及基于核密度估计和加权最小二乘法的一种局部回归方法—地理时空加权回归（GTWR）算法。 XGBoost在梯度提升决策树GBDT（Gradient Boosting Decision Tree）的基础上改进得到，GBDT的核心在于每一次迭代都是向残差降低的梯度方向继续建立新的基础学习器，以此将弱分类器转为强分类器。XGBoost在GBDT基础上对损失函数进行二阶泰勒展开，通过正则化处理和并行计算，来避免过拟合（ Chen和Guestrin，2016 Chen和Guestrin，2016 ）。 随机森林RF（Random Forest），已广泛用于解决回归和分类问题（ Bai等，2019b Bai等，2019b ； Wu等，2020 Wu等，2020 ），其特点是自展法随机采样（Bootstrap Sampling）。通过不断采样得到采样集，基于每个采样集训练出一个基础学习器，再将这些基础学习器通过结合形成强学习器。 时空地理加权回归GTMR（Geographically and Temporally Weight Regression）（ Huang等，2010 Huang等，2010 ）在地理加权回归模型（GWR）的基础上又加入了时间的影响，可以解决时空非平稳性问题，能有效地解决回归分析中无法同时考虑空间和时间特征的问题，可用于PM 2.5 浓度预测中（ Li等，2020 Li等，2020 ）。 技术路线如 图2 图2 所示，将卫星的TOA数据、气象数据、土地利用类型数据与PM 2.5 站点数据等进行时空匹配后（空间匹配选用0.005°×0.005°空间分辨率网格）进行数据清洗，再划分训练集和测试集通过XGBoost、RF和GTWR这3种方法进行模型训练，按交叉验证结果择优选为模型预测的主要方法，并将估算数据通过GOCI-AOD掩膜得到最终的估算结果（即将AOD数据缺失地区的PM 2.5 数据设零值从而减弱因云雾引起的干扰），并与CHAP和TAP数据集进行对比分析。 3　结果与分析 1 3.1　模型选取和参数优化 2 根据徐州地区的大致经纬度可分为280×480个空间分辨率为0.005°×0.005°的网格，并将卫星遥感数据等通过最临近插值方法填入预定义网格，经过时空匹配后，最终得到了37万行样本数据。 由 图3 图3 可知，XGBoost模型和RF模型的 R 2 及RMSE要优于GTWR模型，因为GTWR方法中随多特征参数误差的累积，整体验证结果会快速变差；XGBoost模型的 R 2 及RMSE在测试集和训练集都具有一致性，且离散点分布较为均匀；而RF模型的训练集拟合程度明显比测试集好，可能存在过拟合情况。因此，选用XGBoost模型开展后续研究。 1,2,3;4,5,6;7; 考虑到各个参数在模型中重要程度不同且可能相互影响，选用不同的参数组合进行XGBoost模型优化，按照数据来源分为11种组合（ 表1 表1 ），其中H8代表选用葵花8号（Himawari-8）卫星数据，GOCI代表选用GOCI载荷数据，GLC代表选用FROM-GLC土地利用数据，ERA5代表选用ERA5气象数据，下同。结果表明（ 表1 表1 ），H8与ERA5结合的模型综合性能最优，而不包含GLC的组合优于包含GLC的组合，如H8+ERA5组合优于H8+ERA5+GOCI组合，其原因可能是GLC产品分辨率较粗，无法反映PM 2.5 精细化制图所需要的土地利用类型细节变化。 参数组合 测试集 R 2 测试集RMSE 训练集 R 2 训练集RMSE H8+ERA5 0.90 11.52 0.93 9.72 H8+GLC+ERA5 0.90 11.53 0.93 9.71 GOCI+ERA5 0.90 11.55 0.93 9.82 H8+GOCI+ERA5 0.90 11.59 0.93 9.63 GOCI+GLC+ERA5 0.90 11.67 0.93 9.92 H8 0.88 12.73 0.91 10.86 H8+GOCI 0.88 12.81 0.91 10.75 H8+GLC 0.88 12.87 0.91 10.90 H8+GOCI+GLC 0.88 12.87 0.91 10.76 GOCI 0.86 13.52 0.89 11.84 GOCI+GLC 0.86 13.56 0.89 11.83 进一步，选取性能靠前的3组参数组合，即H8+ERA5，GOCI+ERA5，H8+GOCI+ERA5，与国控站点开展时间序列对比分析。考虑到GOCI载荷仅观测获得北京时间8：00—15：00的表观反射率数据，所以采用该时段的均值进行对比。 图4 图4 中，XGB_HGE代表使用XGBoost算法并选用H8+GOCI+ERA5数据，XGB_HE代表使用XGBoost算法并选用H8+ERA5数据，XGB_GE代表使用XGBoost算法并选用GOCI+ERA5数据，下同。由 图4 图4 可知，H8+GOCI+ERA5比另外两者的误差更小，因此作为最终的制图参数组合。 1,2;3,4;5; 3.2　制图结果分析 2 通过与网格化站点及国控站点进行对比，如 图5 图5 和 图6 图6 所示，在年均和月均时间尺度的逐小时制图中，本文采用模型的精细化成图结果与站点数据基本匹配，能较好地反映出不同时间不同地区的PM 2.5 浓度变化趋势。 1,2;3,4;5,6;7; 1,2;3,4;5,6;7; 3.3　与TAP和CHAP数据集对比 2 为了检验本文研究中采用了网格化站点数据后的PM 2.5 精细化制图能力，进一步与仅使用国控站点的的清华大学TAP（ Xiao等，2021 Xiao等，2021 ）和马里兰大学的CHAP数据集（ Wei等，2021 Wei等，2021 ）进行对比分析。TAP全称为Tracking Air Pollution in China，即中国大气成分近实时追踪数据集，该数据集融合地面观测、卫星遥感、排放清单和模式模拟等多源数据，构建多尺度、近实时的中国大气气溶胶和气态污染物浓度数据集。目前TAP数据集提供2000年至今的中国PM 2.5 浓度数据，空间分辨率为10 km，可下载数据的时间分辨率为每日（ http：//tapdata.org/ http://tapdata.org/ ［2020-07-19］）。CHAP全称为China HighAirPollutants，基于多源卫星遥感和人工智能技术，考虑空气污染的时空异质性，结合地基测量、遥感产品、大气再分析和模式模拟等资料生产得到。数据集包含PM 1 、PM 2.5 、PM 10 等7种主要空气污染物。本文选取由MODIS卫星AOD数据估算的空间分辨率为1 km的每日PM 2.5 数据产品（备注：CHAP的逐小时数据仅提供2018年全年）。 考虑到年均数据无法体现制图细节，逐小时数据可能存在缺失，主要从月均和日均两个尺度检验采用网格化站点数据后对于PM 2.5 精细化制图的贡献。 图7 图7 为月均值尺度下的本文结果和TAP、CHAP数据集与地面检测站点的对比。其中XGB_HGE为11种特征参数组合选出的性能最优的XGBoost模型。因为TAP和CHAP所用月均值数据均为每日24 h的月均，而本文模型所采用的为每日8—15 h的月均，国控站点数据做相应两种月均值对照。可以看到除部分月份的部分站点外，本文所采用模型基本与TAP及CHAP数据保持一致，在部分月份与地面观测拟合程度更好。 1,2;3,4;5; 如 图8 图8 所示，2019-09-09，本文结果很好地表征了市区（铜山区、泉山区、云龙区和鼓楼区）和工业区（贾汪区）的PM 2.5 污染情况（ > 100 μg/m 3 ），与地面观测一致；TAP数据虽然显示了PM 2.5 空间分布的东西差异性，但是PM 2.5 浓度都低于100 μg/m 3 ，无法表征市区和工业区的高值；而CHAP数据因为使用MODIS数据，每天过境只有两次，数据缺失较多。如 图9 图9 所示，2020-03-18，本文结果与地面观测一致，而TAP和CHAP数据均无法表征市区和工业的污染情况。随机抽取的两天数据表明，本文结果空间覆盖度更好，且更能反映出徐州市区和周边区县的PM 2.5 空间分布差异性。 1,2;3,4;5; 1,2;3,4;5; 4　结论 1 本文主要使用Himawari-8/AHI和COMS/GOCI地球静止卫星的表观反射率和徐州地区的空气质量网格化监测数据，通过机器学习和时空地理加权回归方法开展了0.005°分辨率的PM 2.5 浓度精细化制图研究。通过与国控站点和现有数据集的对比分析，得出以下结论： （1）地球静止卫星遥感数据因其具有更高的时间分辨率，在模型预测中可以更好地契合逐小时的城市网格化监测站点数据，比极轨卫星数据更适合城市PM 2.5 精细化制图。 （2）基于城市网格化监测站点及卫星遥感数据的估算结果，在一定程度上可以弥补国控站点稀疏的不足，能够更好地反映出城市内不同区域的PM 2.5 浓度分布差异性，可以更好地服务于城市空气质量精准管控。 参考文献（References） Bai K X , Chang N B , Zhou J Y , Gao W and Guo J P . 2019a . Diagnosing atmospheric stability effects on the modeling accuracy of PM 2.5 /AOD relationship in eastern China using radiosonde data . Environmental Pollution , 251 : 380 - 389 [ DOI: 10.1016/j.envpol.2019.04.104 http://dx.doi.org/10.1016/j.envpol.2019.04.104 ] Diagnosing atmospheric stability effects on the modeling accuracy of PM2.5/AOD relationship in eastern China using radiosonde data Bai K X , Li K , Chang N B and Gao W . 2019b . Advancing the prediction accuracy of satellite-based PM 2.5 concentration mapping: a perspective of data mining through in situ PM 2.5 measurements . Environmental Pollution , 254 : 113047 [ DOI: 10.1016/j.envpol.2019.113047 http://dx.doi.org/10.1016/j.envpol.2019.113047 ] Advancing the prediction accuracy of satellite-based PM2.5 concentration mapping: a perspective of data mining through in situ PM2.5 measurements Bessho K , Date K , Hayashi M , Ikeda A , Imai T , Inoue H , Kumagai Y , Miyakawa T , Murata H , Ohno T , Okuyama A , Oyama R , Sasaki Y , Shimazu Y , Shimoji K , Sumida Y , Suzuki M , Taniguchi H , Tsuchiyama H , Uesawa D , Yokota H and Yoshida R . 2016 . An introduction to himawari-8/9— japan's new-generation geostationary meteorological satellites . Journal of the Meteorological Society of Japan , 94 ( 2 ): 151 - 183 [ DOI: 10.2151/jmsj.2016-009 http://dx.doi.org/10.2151/jmsj.2016-009 ] An introduction to himawari-8/9— japan's new-generation geostationary meteorological satellites Cameron M A , Jacobson M Z , Barrett S R H , Bian H , Chen C C , Eastham S D , Gettelman A , Khodayari A , Liang Q , Selkirk H B , Unger N , Wuebbles D J and Yue X . 2017 . An intercomparative study of the effects of aircraft emissions on surface air quality . Journal of Geophysical Research: Atmospheres , 122 ( 15 ): 8325 - 8344 [ DOI: 10.1002/2016jd025594 http://dx.doi.org/10.1002/2016jd025594 ] An intercomparative study of the effects of aircraft emissions on surface air quality Cao J J , Xu H M , Xu Q , Chen B H and Kan H D . 2012 . Fine particulate matter constituents and cardiopulmonary mortality in a heavily polluted Chinese city . Environmental Health Perspectives 120 ( 3 ): 373 - 378 [ DOI: 10.1289/ehp.1103671 http://dx.doi.org/10.1289/ehp.1103671 ] Fine particulate matter constituents and cardiopulmonary mortality in a heavily polluted Chinese city Chen T Q and Guestrin C . 2016 . XGBoost: a scalable tree boosting system // Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining . San Francisco : ACM: 785 - 794 [ DOI: 10.1145/2939672.2939785 http://dx.doi.org/10.1145/2939672.2939785 ] XGBoost: a scalable tree boosting system Chen X F , De Leeuw G , Arola A , Liu S M , Liu Y , Li Z Q and Zhang K N . 2020 . Joint retrieval of the aerosol fine mode fraction and optical depth using MODIS spectral reflectance over northern and eastern China: artificial neural network method . Remote Sensing of Environment , 249 : 112006 [ DOI: 10.1016/j.rse.2020.112006 http://dx.doi.org/10.1016/j.rse.2020.112006 ] Joint retrieval of the aerosol fine mode fraction and optical depth using MODIS spectral reflectance over northern and eastern China: artificial neural network method Choi M , Kim J , Lee J , Kim M , Park Y J , Jeong U , Kim W , Hong H , Holben B , Eck T F , Song C H , Lim J H and Song C K . 2016 . GOCI yonsei aerosol retrieval (YAER) algorithm and validation during the DRAGON-NE Asia 2012 campaign . Atmospheric Measurement Techniques , 9 : 1377 - 1398 [ DOI: 10.5194/amt-9-1377-2016 http://dx.doi.org/10.5194/amt-9-1377-2016 ] GOCI yonsei aerosol retrieval (YAER) algorithm and validation during the DRAGON-NE Asia 2012 campaign Fan W Z , Qin K , Cui Y L , Li D and Bilal M . 2021 . Estimation of hourly ground-level PM 2.5 concentration based on himawari-8 apparent reflectance . IEEE Transactions on Geoscience and Remote Sensing , 59 ( 1 ): 76 - 85 [ DOI: 10.1109/TGRS.2020.2990791 http://dx.doi.org/10.1109/TGRS.2020.2990791 ] Estimation of hourly ground-level PM2.5 concentration based on himawari-8 apparent reflectance Fan W Z , Qin K , Han X , Zou J H and Li Y F . 2018 . Aerosol distribution characteristics in Xuzhou based on mobile lidar observation . China Environmental Science , 38 ( 8 ): 2857 - 2864 Aerosol distribution characteristics in Xuzhou based on mobile lidar observation 樊文智 , 秦凯 , 韩旭 , 邹家恒 , 李一蜚 . 2018 . 基于移动激光雷达观测的徐州市区气溶胶分布特征 . 中国环境科学 , 38 ( 8 ): 2857 - 2864 [ DOI: 10.3969/j.issn.1000-6923.2018.08.008 http://dx.doi.org/10.3969/j.issn.1000-6923.2018.08.008 ] 基于移动激光雷达观测的徐州市区气溶胶分布特征 Gong P , Wang J , Yu L , Zhao Y C , Zhao Y Y , Liang L , Niu Z G , Huang X M , Fu H H , Liu S , Li C C , Li X Y , Fu W , Liu C X , Xu Y , Wang X Y , Cheng Q , Hu L Y , Yao W B , Zhang H , Zhu P , Zhao Z Y , Zhang H Y , Zheng Y M , Ji L Y , Zhang Y W , Chen H , Yan A , Guo J H , Yu L , Wang L , Liu X J , Shi T T , Zhu M H , Chen Y L , Yang G W , Tang P , Xu B , Giri C , Clinton N , Zhu Z L , Chen J and Chen J . 2013 . Finer resolution observation and monitoring of global land cover: first mapping results with Landsat TM and ETM+ data . International Journal of Remote Sensing , 34 ( 7 ): 2607 - 2654 [ DOI: 10.1080/01431161.2012.748992 http://dx.doi.org/10.1080/01431161.2012.748992 ] Finer resolution observation and monitoring of global land cover: first mapping results with Landsat TM and ETM+ data Guo J P , Wu Y T , Zhang X Y and Li X W . 2013 . Estimation of PM 2.5 over Eastern China from MODIS aerosol optical depth using the back propagation neural network . Environmental Science , 34 ( 3 ): 817 - 825 Estimation of PM2.5 over Eastern China from MODIS aerosol optical depth using the back propagation neural network 郭建平 , 吴业荣 , 张小曳 , 李小文 . 2013 . BP网络框架下MODIS气溶胶光学厚度产品估算中国东部PM 2.5 . 环境科学 , 34 ( 3 ): 817 - 825 [ DOI: 10.13227/j.hjkx.2013.03.024 http://dx.doi.org/10.13227/j.hjkx.2013.03.024 ] BP网络框架下MODIS气溶胶光学厚度产品估算中国东部PM2.5 Guo J P , Xue Y , Cao C X , Zhang H , Guang J , Zhang X Y and Li X W . 2009 . A synergic algorithm for retrieval of aerosol optical depth over land . Advances in Atmospheric Sciences , 26 ( 5 ): 973 - 983 [ DOI: 10.1007/s00376-009-7218-4 http://dx.doi.org/10.1007/s00376-009-7218-4 ] A synergic algorithm for retrieval of aerosol optical depth over land Hersbach H , Bell B , Berrisford P , Hirahara S , Horányi A , Muñoz-sabater J , Nicolas J , Peubey C , Radu R , Schepers D , Simmons A , Soci C , Abdalla S , Abellan X , Balsamo G , Bechtold P , Biavati G , Bidlot J , Bonavita M , Chiara G , Dahlgren P , Dee D , Diamantakis M , Dragani R , Flemming J , Forbes R , Fuentes M , Geer A , Haimberger L , Healy S , Hogan R J , Hólm E , Janisková M , Keeley S , Laloyaux P , Lopez P , Lupu C , Radnoti G , Rosnay P , Rozum I , Vamborg F , Villaume S and Thépaut J N . 2020 . The ERA5 global reanalysis . Quarterly Journal of the Royal Meteorological Society , 146 ( 730 ): 1999 - 2049 [ DOI: 10.1002/qj.3803 http://dx.doi.org/10.1002/qj.3803 ] The ERA5 global reanalysis Hsu N C , Tsay S C , King M D and Herman J R . 2004 . Aerosol properties over bright-reflecting source regions . IEEE Transactions on Geoscience and Remote Sensing , 42 ( 3 ): 557 - 569 [ DOI: 10.1109/tgrs.2004.824067 http://dx.doi.org/10.1109/tgrs.2004.824067 ] Aerosol properties over bright-reflecting source regions Hu Z Y . 2009 . Spatial analysis of MODIS aerosol optical depth, PM 2.5 , and chronic coronary heart disease . International Journal of Health Geographics , 8 : 27 [ DOI: 10.1186/1476-072X-8-27 http://dx.doi.org/10.1186/1476-072X-8-27 ] Spatial analysis of MODIS aerosol optical depth, PM2.5, and chronic coronary heart disease Huang B , Wu B and Barry M . 2010 . Geographically and temporally weighted regression for modeling spatio-temporal variation in house prices . International Journal of Geographical Information Science , 24 ( 3 ): 383 - 401 [ DOI: 10.1080/13658810802672469 http://dx.doi.org/10.1080/13658810802672469 ] Geographically and temporally weighted regression for modeling spatio-temporal variation in house prices Koelemeijer R B A , Homan C D and Matthijsen J . 2006 . Comparison of spatial and temporal variations of aerosol optical thickness and particulate matter over Europe . Atmospheric Environment , 40 ( 27 ): 5304 - 5315 [ DOI: 10.1016/j.atmosenv.2006.04.044 http://dx.doi.org/10.1016/j.atmosenv.2006.04.044 ] Comparison of spatial and temporal variations of aerosol optical thickness and particulate matter over Europe Li R , Cui L L , Fu H B , Meng Y , Li J L and Guo J P . 2020 . Estimating high-resolution PM 1 concentration from Himawari-8 combining extreme gradient boosting-geographically and temporally weighted regression (XGBoost-GTWR) . Atmospheric Environment , 229 : 117434 [ DOI: 10.1016/j.atmosenv.2020.117434 http://dx.doi.org/10.1016/j.atmosenv.2020.117434 ] Estimating high-resolution PM1 concentration from Himawari-8 combining extreme gradient boosting-geographically and temporally weighted regression (XGBoost-GTWR) Lloyd C T , Chamberlain H , Kerr D , Yetman G , Pistolesi L , Stevens F R , Gaughan A E , Nieves J J , Hornby G , Macmanus K , Sinha P , Bondarenko M , Sorichetta A and Tatem A J . 2019 . Global spatio-temporally harmonised datasets for producing high-resolution gridded population distribution datasets . Big Earth Data , 3 ( 2 ): 108 - 139 [ DOI: 10.1080/20964471.2019.1625151 http://dx.doi.org/10.1080/20964471.2019.1625151 ] Global spatio-temporally harmonised datasets for producing high-resolution gridded population distribution datasets Ordieres J B , Vergara E P , Capuz R S and Salazar R E . 2005 . Neural network prediction model for fine particulate matter (PM 2.5 ) on the US–Mexico border in El Paso (Texas) and Ciudad Juárez (Chihuahua) . Environmental Modelling & Software , 20 ( 5 ): 547 - 559 [ DOI: 10.1016/j.envsoft.2004.03.010 http://dx.doi.org/10.1016/j.envsoft.2004.03.010 ] Neural network prediction model for fine particulate matter (PM2.5) on the US–Mexico border in El Paso (Texas) and Ciudad Juárez (Chihuahua) Pan J X , Yan P Z , Sun F , Li Y T , Liu B X , Wang Z S and Dong R . 2019 . Application of ensemble forecast and linear regression method in improving PM 2.5 forecast over Beijing area . Environmental Monitoring in China , 35 ( 2 ): 43 - 52 Application of ensemble forecast and linear regression method in improving PM2.5 forecast over Beijing area 潘锦秀 , 晏平仲 , 孙峰 , 李云婷 , 刘保献 , 王占山 , 董瑞 . 2019 . 多元线性回归方法对北京地区PM 2.5 预报的改进应用 . 中国环境监测 , 35 ( 2 ): 43 - 52 [ DOI: 10.19316/j.issn.1002-6002.2019.02.06 http://dx.doi.org/10.19316/j.issn.1002-6002.2019.02.06 ] 多元线性回归方法对北京地区PM2.5预报的改进应用 Ryu J H , Han H J , Cho S , Park Y J and Ahn Y H . 2012 . Overview of geostationary ocean color imager (GOCI) and GOCI data processing system (GDPS) . Ocean Science Journal , 47 ( 3 ): 223 - 233 [ DOI: 10.1007/s12601-012-0024-4 http://dx.doi.org/10.1007/s12601-012-0024-4 ] Overview of geostationary ocean color imager (GOCI) and GOCI data processing system (GDPS) Saffari A , Daher N , Shafer M M , Schauer J J and Sioutas C . 2014 . Global perspective on the oxidative potential of airborne particulate matter: a synthesis of research findings . Environmental Science & Technology , 48 ( 13 ): 7576 - 7583 [ DOI: 10.1021/es500937x http://dx.doi.org/10.1021/es500937x ] Global perspective on the oxidative potential of airborne particulate matter: a synthesis of research findings Shen H F , Li T W , Yuan Q Q and Zhang L P . 2018 . Estimating regional ground-level PM 2.5 directly from satellite top-of-atmosphere reflectance using deep belief networks . Journal of Geophysical Research: Atmospheres , 123 ( 24 ): 13875 - 13886 [ DOI: 10.1029/2018 jd028759 http://dx.doi.org/10.1029/2018jd028759 ] Estimating regional ground-level PM2.5 directly from satellite top-of-atmosphere reflectance using deep belief networks Stevens F R , Gaughan A E , Linard C and Tatem A J . 2015 . Disaggregating census data for population mapping using random forests with remotely-sensed and ancillary data . PLoS One , 10 ( 2 ): e 0107042 [ DOI: 10.1371/journal.pone.0107042 http://dx.doi.org/10.1371/journal.pone.0107042 ] Disaggregating census data for population mapping using random forests with remotely-sensed and ancillary data Tang D , Liu D R , Tang Y L , Seyler B C , Deng X F and Zhan Y . 2019 . Comparison of GOCI and Himawari-8 aerosol optical depth for deriving full-coverage hourly PM 2.5 across the Yangtze River Delta . Atmospheric Environment , 217 : 116973 [ DOI: 10.1016/j.atmosenv.2019.116973 http://dx.doi.org/10.1016/j.atmosenv.2019.116973 ] Comparison of GOCI and Himawari-8 aerosol optical depth for deriving full-coverage hourly PM2.5 across the Yangtze River Delta Wang J and Christopher S A . 2003 . Intercomparison between satellite-derived aerosol optical thickness and PM 2.5 mass: Implications for air quality studies . Geophysical Research Letters , 30 ( 21 ): 2095 [ DOI: 10.1029/2003gl018174 http://dx.doi.org/10.1029/2003gl018174 ] Intercomparison between satellite-derived aerosol optical thickness and PM2.5 mass: Implications for air quality studies Wang W , Mao F Y , Du L , Pan Z X , Gong W , andShenghui Fang . 2017 . Deriving hourly PM 2.5 concentrations from himawari-8 AODs over Beijing-Tianjin-Hebei in China . Remote Sensing , 9 ( 8 ): 858 [ DOI: 10.3390/rs9080858 http://dx.doi.org/10.3390/rs9080858 ] Deriving hourly PM2.5 concentrations from himawari-8 AODs over Beijing-Tianjin-Hebei in China Wang Y L , Chen H S , Wu Q Z , Chen X S , Wang H , Gbaguidi A , Wang W and Wang Z F . 2018 . Three-year, 5 km resolution China PM 2.5 simulation: Model performance evaluation . Atmospheric Research , 207 : 1 - 13 [ DOI: 10.1016/j.atmosres.2018.02.016 http://dx.doi.org/10.1016/j.atmosres.2018.02.016 ] Three-year, 5 km resolution China PM2.5 simulation: Model performance evaluation Wei J , Li Z Q , Lyapustin A , Sun L , Peng Y R , Xue W H , Su T N and Cribb M . 2021 . Reconstructing 1-km-resolution high-quality PM 2.5 data records from 2000 to 2018 in China: spatiotemporal variations and policy implications . Remote Sensing of Environment , 252 : 112136 [ DOI: 10.1016/j.rse.2020.112136 http://dx.doi.org/10.1016/j.rse.2020.112136 ] Reconstructing 1-km-resolution high-quality PM2.5 data records from 2000 to 2018 in China: spatiotemporal variations and policy implications Wu C B , Li K and Bai K X . 2020 . Validation and Calibration of CAMS PM 2.5 Forecasts Using In Situ PM 2.5 Measurements in China and United States . Remote Sensing , 12 ( 22 ): 3813 [ DOI: 10.3390/rs12223813 http://dx.doi.org/10.3390/rs12223813 ] Validation and Calibration of CAMS PM2.5 Forecasts Using In Situ PM2.5 Measurements in China and United States Wu Y R , Guo J P , Zhang X Y , Tian X , Zhang J H , Wang Y Q , Duan J and Li X W . 2012 . Synergy of satellite and ground based observations in estimation of particulate matter in eastern China . Science of The Total Environment , 433 : 20 - 30 [ DOI: 10.1016/j.scitotenv.2012.06.033 http://dx.doi.org/10.1016/j.scitotenv.2012.06.033 ] Synergy of satellite and ground based observations in estimation of particulate matter in eastern China Xiao Q Y , Geng G N , Cheng J , Liang F C , Li R , Meng X , Xue T , Huang X M , Kan H D , Zhang Q and He K B . 2021 . Evaluation of gap-filling approaches in satellite-based daily PM 2.5 prediction models . Atmospheric Environment , 244 : 117921 [ DOI: 10.1016/j.atmosenv.2020.117921 http://dx.doi.org/10.1016/j.atmosenv.2020.117921 ] Evaluation of gap-filling approaches in satellite-based daily PM2.5 prediction models Xu Z , Xia X P , Liu X N and Qian Z G . 2015 . Combining DMSP/OLS nighttime light with echo state network for prediction of daily PM 2.5 average concentrations in Shanghai, China . Atmosphere , 6 ( 10 ): 1507 - 1520 [ DOI: 10.3390/atmos6101507 http://dx.doi.org/10.3390/atmos6101507 ] Combining DMSP/OLS nighttime light with echo state network for prediction of daily PM2.5 average concentrations in Shanghai, China Yan X , Zang Z , Luo N N , Jiang Y Z and Li Z Q . 2020 . New interpretable deep learning model to monitor real-time PM 2.5 concentrations from satellite data . Environment International , 144 : 106060 [ DOI: 10.1016/j.envint.2020.106060 http://dx.doi.org/10.1016/j.envint.2020.106060 ] New interpretable deep learning model to monitor real-time PM2.5 concentrations from satellite data Yin J H , Mao F Y , Zang L , Chen J P , Lu X and Hong J . 2021 . Retrieving PM 2.5 with high spatio-temporal coverage by TOA reflectance of Himawari-8 . Atmospheric Pollution Research , 12 ( 4 ): 14 - 20 [ DOI: 10.1016/j.apr.2021.02.007 http://dx.doi.org/10.1016/j.apr.2021.02.007 ] Retrieving PM2.5 with high spatio-temporal coverage by TOA reflectance of Himawari-8 Zhang Y and Li Z Q . 2013 . Estimation of PM 2.5 from fine-mode aerosol optical depth . National Remote Sensing Bulletin , 17 ( 4 ): 929 - 943 Estimation of PM2.5 from fine-mode aerosol optical depth 张莹 , 李正强 . 2013 . 利用细模态气溶胶光学厚度估计PM 2.5 . 遥感学报 , 17 ( 4 ): 929 - 943 [ DOI: 10.11834/jrs.20133063 http://dx.doi.org/10.11834/jrs.20133063 ] 利用细模态气溶胶光学厚度估计PM2.5 Zhang Y , Li Z Q , Bai K X , Wei Y Y , Xie Y S , Zhang Y X , Ou Y , Cohen J , Zhang Y H , Peng Z R , Zhang X Y , Chen C , Hong J , Xu H , Guang J , Lv Y , Li K T and Li D H . 2021 . Satellite remote sensing of atmospheric particulate matter mass concentration: Advances, challenges, and perspectives . Fundamental Research , 1 ( 3 ): 240 - 258 [ DOI: 10.1016/j.fmre.2021.04.007 http://dx.doi.org/10.1016/j.fmre.2021.04.007 ] Satellite remote sensing of atmospheric particulate matter mass concentration: Advances, challenges, and perspectives Zhang Y J , Zhao T L , Yin C Z , Wang Z F , Ge B Z , Liu D Y and Du X X . 2019 . Seasonal variation of the relationship between surface PM 2.5 and O 3 concentrations in Xuzhou . China Environmental Science , 39 ( 6 ): 2267 - 2272 Seasonal variation of the relationship between surface PM2.5 and O3 concentrations in Xuzhou 张宇静 , 赵天良 , 殷翀之 , 王自发 , 葛宝珠 , 刘端阳 , 杜欣欣 . 2019 . 徐州市大气PM 2.5 与O 3 作用关系的季节变化 . 中国环境科学 , 39 ( 6 ): 2267 - 2272 [ DOI: 10.3969/j.issn.1000-6923.2019.06.004 http://dx.doi.org/10.3969/j.issn.1000-6923.2019.06.004 ] 徐州市大气PM2.5与O3作用关系的季节变化 Zou B , Pu Q , Bilal M , Weng Q , Zhai L and Nichol J . 2017 . High-resolution satellite mapping of fine particulates based on geographically weighted regression . IEEE Geoscience and Remote Sensing Letters , 13 ( 4 ): 495 - 499 [ DOI: 10.1109/LGRS.2016.2520480 http://dx.doi.org/10.1109/LGRS.2016.2520480 ] High-resolution satellite mapping of fine particulates based on geographically weighted regression 致谢:本研究使用了由日本JAXA提供的Himawari-8/AHI（https：//www.eorc.jaxa.jp/ptree/）以及韩国KOSC（韩国海洋科学技术研究院）提供的COMS/GOCI（http：//kosc.kiost.ac.kr/）卫星数据。此外，本文研究还获得美国马里兰大学韦晶博士（https：//weijing-rs.github.io）和韩国延世大学Kim Jhoon教授团队（http：//atrad.yonsei.ac.krl）所提供的相关数据，在此一并表示感谢。 10.11834/jrs.20221493 1007-4619（2022）05-1015-12 范东浩，秦凯，杜娟，何秦，辛世纪，刘鼎医.2022.地球静止卫星和网格化站点支持下的PM 2.5 精细制图.遥感学报，26（5）： 1015-1026 范东浩，秦凯，杜娟，何秦，辛世纪，刘鼎医.2022.地球静止卫星和网格化站点支持下的PM2.5精细制图.遥感学报，26（5）： 1015-1026 Fan D H，Qin K，Du J，He Q，Xin S J and Liu D Y. 2022. Fine mapping of PM 2.5 based on measurements from geostationary satellites and grid monitoring stations. National Remote Sensing Bulletin， 26（5）：1015-1026 Fan D H，Qin K，Du J，He Q，Xin S J and Liu D Y. 2022. Fine mapping of PM2.5 based on measurements from geostationary satellites and grid monitoring stations. National Remote Sensing Bulletin， 26（5）：1015-1026 国家自然科学基金（编号：41975041） Supported by National Natural Science Foundation of China (No. 41975041) 2021-07-19 2022-05-07 2022-05-30 2022-03-15 遥感学报 5 26