背景:大气颗粒物（Particulate Matter,PM）是主要的大气污染物,对能见度、环境以及人群健康产生影响。对颗粒物污染水平进行适时、准确的监测是大气污染危险度评估以及环境管理控制的重要基础。现有地面空气质量监测站点有限,未能全面、适时了解大气污染状况。近几年有研究尝试采用气溶胶光学厚度（Aerosol Optical Depth,AOD）等卫星遥感数据估计地面污染物浓度,但模型的有效性有待进一步验证和提高。目的:在本研究中我们拟利用从美国国家航空航天局（National Aeronautics and Space Administration,NASA）获取的AOD数据及中国气象科学数据共享服务网获取的气象数据来估计地面PM₁₀浓度。方法:将右偏态分布的PM₁₀数据经过box-cox变换后建立以高斯分布为连接函数的广义相加模型（Generalized additive model,GAM）中,用平滑样条（Smoothing splines）来拟合PM₁₀与自变量的关系。用分布滞后非线性模型（Distributed lag nonlinear model,DLNM）来处理气象因素的滞后性,通过对AOD与PM₁₀进行垂直、湿度订正来提高模型的有效性,并尝试分季节建模提高估计准确性。结果:结合AOD和气象因素建模时,PM₁₀的湿度订正与AOD的垂直订正方式所建立的回归模型效果最优,R²分别是:总模型R²=0.713;春季模型R²=0.585;夏季模型R²=0.651;秋季模型R²=0.813;冬季模型R²=0.779,秋季效果最好。若建模时只考虑气象因素,R²分别是:总模型R²=0.589;春季模型R²=0.592;夏季模型R²=0.594;秋季模型R²=0.642;冬季模型R²=0.741,冬季效果最好,模型的拟合效果与实际数据误差较小。结论:基于AOD和气象数据可有效估计地面每日的PM₁₀浓度。对PM₁₀和AOD进行湿度、垂直订正、考虑气象因素的交互作用和滞后效应有利于提高模型的估计准确性。分季节模型的估计效果优于总模型。本研究可为大气质量的全面监测和大气污染健康效应的评估提供技术和数据上的支持。