随着我国经济的快速发展,城市扩张、工业生产、机动车数量逐渐增加等因素致使我国大气环境污染问题显著。大气中的痕量气体二氧化氮(NO2)作为我国大气污染的主要污染物之一,严重危害了人类的生活和健康,特别是高浓度的近地面NO2更与人们的生活和健康息息相关。自2013年国务院颁布《大气污染防治行动计划》以来,我国的空气质量整体趋势虽逐渐变好,但在部分典型污染地区,NO2浓度仍居高不下。随着卫星技术的不断发展,基于卫星遥感反演NO2浓度已逐渐成为天地一体化空气质量监测的重要手段之一,但目前相关研究和技术仍主要面向整层或对流层NO2垂直柱浓度监测,尚缺乏大区域尺度的近地面NO2浓度估算模型与数据集用以弥补由于地面监测站点分布不均匀造成的部分地区数据缺失和为环境污染监测提供有力的技术支持。本文主要基于DOAS算法实现了 OMI和新一代TROPOMI两个载荷的大气NO2对流层柱浓度反演,并基于卫星NO2对流层柱浓度协同其他相关变量,分别利用统计模型和机器学习模型开展了近地面NO2浓度估算,通过与地基NO2监测数据比对分析,评估了不同模型估算数据集的精度和空间分布差异。具体地,本文主要开展了以下几方面的研究:(1)分别利用OMI L1B及TROPOMI L1B观测数据,基于DOAS算法反演了整层NO2斜柱浓度;采用SCIATRAN辐射传输模型模拟中国区域的AMF查找表,并计算整层NO2垂直柱浓度;利用TROPOMI产品中的NO2平流层浓度来同化实际NO2平流层柱浓度,获取NO2对流层柱浓度。通过将本研究反演结果分别与OMI和TROPOMI NO2 L2产品进行对比分析,反演结果与产品具有较高的一致性,其中,OMI的R2高于0.88,TROPOMI的最低R2达到0.7。两种反演结果的交叉验证相关系数在0.8左右。(2)统计模型方面,在考虑NO2对流层柱浓度的基础上,本文引入了气象、地形等因素构建了高精度的混合效应模型以估算近地面NO2浓度。将模型中使用的样本数据进行直方图统计分析,发现各变量均具有相似的地基测量NO2浓度分布。基于2018年OMI和TROPOMI对流层NO2浓度数据,按月份分区域进行混合效应模型的拟合和验证,其中,京津冀地区的相关性最好,每个月的R2均高于0.7,12月R2最高达到0.86。估算结果显示各地区的近地面NO2浓度值具有明显的时间和空间差异性,冬季浓度最高,夏季浓度最低。通过统计各地区近地面NO2浓度的季节均值和年均值发现,京津冀地区的季节差异性显著高于长三角和珠三角地区,这与地域和人为活动等因素相关。(3)为进一步探讨近地面NO2浓度与多种影响因子间复杂的非线性关系,本文尝试利用自我学习能力较强的机器学习方法估算近地面NO2,使用的是XGBoost和ExtraTrees方法。利用模型对样本进行非监督的特征学习,并将学习获得较优的模型用于近地面NO2浓度的估算。对比分析两种模型的估算精度,结果表明XGBoost表现的更为优秀,测试结果中 R2=0.77,RMSE=17.08 μg/m3。(4)基于混合效应模型和机器学习方法的估算结果在空间和时间两个尺度上进行了对比分析。通过将京津冀、长三角和珠三角地区地基监测结果与卫星估算的NO2月平均浓度进行比对验证,结果显示机器学习方法要优于混合效应模型,其中,XGB模型、ET模型和EME模型的R2分别大于0.82、0.75和0.65。同时,从京津冀地区近地面NO2月平均浓度和季节平均浓度结果,可以看出机器学习方法的估算结果相对较好,数据分布比较均匀,数据间的方差较小。而统计方法的估算结果浓度值偏低,且数据分布具有明显的区域断层效果。