近年来,雾霾天气频发,大气颗粒物污染情况严重,威胁人类身体健康,影响人类日常生活,对大气颗粒物的研究已不容忽视。随着对森林植被研究的深入,森林对大气颗粒物的调节功能日渐被学术界关注,目前森林植被与大气颗粒物浓度的相关性及大气颗粒物浓度的影响因素研究,成为科学研究的热点和难点,该研究为大气颗粒物的有效控制提供参考,且具有重要生态、社会效益。本论文以北京市为研究区,使用克里金插值法分析了北京地区2016年大气颗粒物时空分布特征,使用光谱分析及遥感反演法反演颗粒物PM2.5、PM10浓度,研究了森林植被对于大气颗粒物的调控特征,使用相关性分析法分析各影响因子对PM2.5、PM10浓度的影响并建立了多元统计模型。主要研究结果如下:(1)北京市大气颗粒物时空分布特征2016年北京市PM2.5浓度夜间高于白天(8:00-20:00),四类监测站点的24h变化曲线各季节表现不同,综合来看,环境评价站点和区域背景站点的日变化一致性较大,呈双峰型分布,峰值时间略有不同,交通控制站点和城市清洁对照点日变化规律复杂,出现3个及以上峰值,呈波浪式分布。各季节浓度均值由高至低依次为冬季>秋季>春季>夏季,最高月均浓度值出现在12月份,最低出现在8月份,这跟采暖季燃煤及大气颗粒物扩散条件有关。大气颗粒物空间分布呈现南部浓度高,北部及西部地区浓度底的趋势,这种浓度差异在冬季表现最为突出,夏季最不显著。(2)建立2种PM2.5、PM10浓度反演模型使用暗像元法,利用VIIRS数据反演750m分辨率的大气气溶胶光学厚度AOD,并建立AOD-PM2.5、PM10的四季模型,精度良好,PM2.5四季验证模型的决定系数R2分别0.865、0.644、0.831、0.543,建立北京市2016年度1公里格网大气颗粒物浓度数据库。通过对不同大气颗粒物浓度条件下不同地物的光谱曲线研究,创新了一种基于差值指数(Different Index)的大气颗粒物浓度反演新方法,获取30m空间分辨率的PM2.5、PM10浓度分布,为高分辨率的大气颗粒物浓度反演提供了可能。(3)植被对PM2.5、PM10浓度影响研究植被覆盖度、生物量与PM2 5、PM10呈显著负相关,PM2.5与植被覆盖度在夏季相关系数(0.534)最高,PM10在春季相关系数(0.568)最高。PM2.5、PM10与生物量在夏、秋季节相关性差异不大,约为0.500。林地地类的PM2.5、PM10年均浓度比非林地有所降低,降幅最为显著的是疏林地及针叶林,PM2.5、PM10的降幅分别为19.72%、20.99%(疏林地),18.78%、18.22%(针叶林)。各林地地类的PM2.5年均浓度降幅从大到小依次为疏林地>针叶林>未成林>混交林>阔叶林>灌木林>辅助生产林>无力木林地>宜林地。PM10年均浓度降幅从大到小依次为疏林地>针叶林>阔叶林>未成林>混交林>灌木林>无力木林地>辅助生产林>宜林地。林区边缘地区大气颗粒物浓度变化显著,在林区内部变化不大。(4)建立PM2.5、PM10浓度消减率-植被覆盖度模型利用林区内外的大气颗粒物浓度数据,建立PM2.5、PM10浓度消减率-植被覆盖度模型,模型精度良好,验证精度R2分别为0.649、0.811。植被覆盖度与大气颗粒物浓度并非简单的线性关系,随着植被覆盖度的提高,消减率有所提高,但当植被覆盖率过高时,消减率将下降,可能的原因是浓密的冠层结构影响林区内的空气湍流,且植被浓密时,林区内湿度较大,大气颗粒物的吸湿性使其更易聚集。(5)气象、地形因子与PM2.5、PM10相关性分析相对湿度、气压、水汽压与PM2.5、PM10呈正相关,气温、风速表现为负相关。大气颗粒物的吸湿性及高压导致的大气状态趋於稳定,使得高湿、高压环境下大气颗粒物污染较重,近地表气温升高致使大气湍流增强,大气颗粒物扩散加快,风速越大,大气颗粒物的传播与运输越快,浓度降低。各气象因子中,水汽压、风速的相关系数大,分别为0.715(夏季,PM2.5)、0.579(春季,PM10)。海拔、坡度与PM2.5、PM10呈弱负相关,坡位、坡向的相关性不强。大气颗粒物自身的重力和垂直方向上空气的对流特征导致海拔越高浓度越低,PM10自身重力较PM2.5大,这种趋势较为明显;斜坡处空气的碰撞、运动较平坡处频繁,大气颗粒物随空气流动扩散较快。(6)建立各季节PM2.5、PM10浓度多元线性回归模型对各季节影响大气颗粒物PM2.5、PM10的因子进行主成分分析,春季提取了 3个主成分,命名为地形与植被、湿度、气温,其归一化权重分别为53.812%、26.734%、19.455%;夏季、秋季、冬季各提取了 4个、4个、3个主成分。采用多元逐步回归的方法,拟合了各季节大气颗粒物PM2.5、PM10的浓度模型,春、夏、秋、冬四季分别用5个(PM2.5为4个)、6个、8个、4个变量进行拟合,其中,水汽压、风速、植被覆盖度在3个以上的季节中参与模型拟合。模型精度在夏季(PM2.5预测精度R2为0.565)、冬季(PM2.5、PM10预测精度R2分别为0.549、0.565)效果较好,春季、秋季表现效果一般。本文的创新点包括:(1)一种基于红边斜率的植被盖度估算方法通过光谱分析发现红边区间(680-760nm)对植被覆盖度最为敏感,红边区间光谱的一阶导数与植被覆盖度的相关性最高(>0.98),且有较强的稳定性,因此选择红边斜率代替归一化植被指数NDVI作为估算植被盖度的参数,建立新的植被覆盖率模型,模型精度高。(2)一种基于差值指数的PM2.5、PM10浓度反演方法:通过实验分析不同大气颗粒物污染条件下不同地物的光谱曲线,发现对于大气颗粒物引起的散射、反射等,短波红外波段(620-700nm)反射率上升,近红外波段(820-900nm)反射率下降,因此使用两个波段的差值建立差值指数(DI)表征大气颗粒物浓度,拟合四季的DI-大气颗粒物浓度模型,反演30m的大气颗粒物浓度。经过验证,该模型适合中、重度污染情况下的大气颗粒物浓度反演,为高分辨的大气颗粒物浓度反演提供可能。(3)大气颗粒物PM2.5、PM10影响因子的选择:本文引入了植被因子林地地类、生物量、植被覆盖度,综合气象、地形共计12类因子进行大气颗粒物影响分析,而不只限于对某一类或某一特定因子,对于大气颗粒物影响因素的扩展研究和大气颗粒物模型的建立有参考意义。