1．目的及意义

武汉城市圈是指以中部地区最大城市武汉为圆心，覆盖黄石、鄂州、黄冈、孝感、咸宁、仙桃、潜江、天门等周边8个大中型城市所组成的城市群。面积不到湖北省三分之一的武汉城市圈，集中了全省一半以上的人口、六成以上的GDP总量，是中国中部最大的城市圈之一。其作为我国科技创新的新动力，随着经济飞速发展，人口数量持续增长，机动车保有量和能源消费总量的不断增加，城市建设规模不断扩大，以及地理与气候等自然条件的限制，空气污染日益严重。其中大气细颗粒物（PM2.5）是空气恶化的重要因子之一。

研究表明，一定浓度的PM2.5长时间暴露，与呼吸系统、循环系统等多系统疾病的发病密切相关。目前，武汉城市圈PM2.5的监测点数量尚少，监测数据的时空覆盖面尚窄，因此限制了PM2.5对研究的开展。卫星遥感技术具有宏观、动态、综合、快速、多层次、多时相的优势，运用卫星遥感技术可以监测大范围长时间序列的环境PM2.5质量浓度（以下简称“浓度”）变化，成本低，效率高，且随着遥感技术的发展和高分辨率对地观测传感器的应用，定量遥感协同反演陆地气溶胶获取遥感参数的精度明显提高。欧美等发达国家在本世纪初就开展了卫星遥感数据气溶胶光学厚度（aerosol optical depth，AOD）与地面PM2.5浓度关系的研究。相关研究表明，AOD与地面气溶胶质量浓度、消光系数以及吸湿增长因子等具有较好的相关性，均有明显的季节性变化特征。利用相对湿度和气溶胶标高等气象条件进行校正后，AOD与PM2.5具有较高的相关性。可以通过建立回归方程估算地面PM2.5浓度。进而预测PM2.5浓度。但由于只采用了湿度校正，未纳入相关其他气象因素，估算准确性受到一定的影响。

本项目在前述研究的基础上，引入气溶胶扩散相关的气象因素（日均温度、气压、风速）、地形（地表起伏）、植被覆盖度（NDVI）以及土地利用类型等分季节构建多元线性回归模型，用于近地面空气PM2.5浓度的估算，并对其空间分布格局进行分析，以解决PM2.5近地面浓度监测历史数据的缺乏，现实监测点少且分布不均的问题，对判断大范围雾霾期间大气颗粒物的时空演化和污染治理提供科学参考。

2．研究现状

2.1国内研究现状

有关中国PM2.5等大气污染的研究表明，气溶胶光学厚度(aerosol optical thickness，AOT)与近地面颗粒物质量浓度有很强的相关性，在对气溶胶标高垂直订正及PM2.5湿度订正后，两者相关性得到明显的提高．而且有学者研究发现云盖比例、混合层高度、风速、地表温度和相对湿度等气象要素对气溶胶光学厚度和PM2.5两者的相关性有着较大的影响，并建立了估算模型对PM2.5进行了预测．Han等（2014）通过比较城市与周边地区可入肺颗粒物（PM2.5）浓度的差异，进一步探讨了中国城镇化水平对PM2.5的影响，认为城市PM2.5浓度高于周边地区。郝新东和刘菲（2013）利用2001-2010年中国省级区域面板数据研究了煤炭消费对PM2.5的影响，发现煤炭消费是造成PM2.5污染的主要原因。马丽梅和张晓（2014）使用巴特尔研究所、哥伦比亚大学国际地球科学信息网络中心测度的全球2001-2010年PM2.5年均浓度数据，运用空间滞后模型和空间误差模型，实证考察了经济发展与能源消费结构对PM2.5的影响，得出雾霾与产业结构和能源结构密切相关的结论。齐园和张永安（2015）使用2008-2014年北京的PM2.5浓度月平均数据，运用向量自回归模型实证考察了北京市三次产业结构变动与PM2.5排放的动态关系，结果显示，第二、三产业经济增长是PM2.5排放的原因，第二产业对雾霾的贡献率大于第三产业，三次产业经济增长对PM2.5排放的累计贡献达到45.2%。

2.2国外研究现状

卫星遥感是基于气溶胶光学深度（AOD）估算PM2.5浓度的一种经济有效的方法（Hoff和Christopher，2009）。由于AOD测量大气柱内气溶胶散射和吸收的光消光，它反映了整个垂直柱内整合的颗粒数量。从各种传感器中提取的AOD产品已被广泛用于先前的研究中，以评估PM2.5空气质量（Boys等，2014; Ford和Heald，2013; Gupta和Christopher，2008; Liu等，2007; Liu等2009; Paciorek等人，2008; Reid等人，2015; Schaap等人，2009; Slater等人，2004; Sorek-Hamer等人，2015; van Donkelaar等人，2010，2012 ）。早期研究使用一个简单的线性回归模型估算地面PM2.5浓度，其中来源卫星的AOD被用作唯一的自变量（Engel-Cox等，2004; Wang和Christopher，2003）。近年来，多项研究通过先进的统计模型，如半经验模型（Gupta和Christopher，2009a;Li等人，2011; Lin等人，2011）探讨了卫星AOD与重合表面PM2.5之间的定量关系。 2015; Tian和Chen，2010），人工神经网络模型（Gupta和Christopher，2009b;Wu等，2012），线性混合效应（LME）模型（Kloog等，2011; Kloog等，2012; Lee等，2011）和地理加权回归（GWR）模型（Hu等，2013; Song等，2014）。这些研究大多将气象参数和土地利用信息视为提高模型精度的附加协变量。最近，一些研究利用两阶段（LME GWR）时空模型（Hu等，2014a，2014b; Hu，Waller，Lyapustin，Wang，＆Liu，2014）和日常GWR模型（Ma等， 2014）来解释PM2.5-AOD关系的空间和时间变化。这些模型应用了AOD，气象和土地利用变量来估算地表PM2.5浓度，并且他们的估计已被证明是非常准确的。