PM2.5与环境和气候变化直接相关,是大气温度升高的主要因素。它是粒径小于2.5μm的细颗粒总称,但是由于粒径极小,通常悬浮在空气中,非常容易透过鼻黏膜进入呼吸道,从而引发一系列的呼吸道系统疾病,对人类身体健康造成一定的危害。大气中之所以存在这么多的细颗粒物,和城市中的汽车尾气的排放以及化石燃料的燃烧有着直接关联。随着社会的发展,更多公众对所在城市或社区的PM2.5越来越关注和重视。传统的空气质量监测网虽然可以对污染物浓度进行连续监测,但其精度和便利性还有待进一步提高。本研究尝试开发建立一种基于移动监测技术的PM2.5回归模型,能够大幅度提高小尺度空间细颗粒物浓度监测精度,这为研究不同地域PM2.5浓度预测提供一种新的思路。鉴于广州市大学城地区空间分布的代表性,本次研究区域确定此处展开,对于近地面大气PM2.5浓度的观测我们通过移动实测的方法进行,同时还分析了该区域时空变化特征。相应的,通过参考主要土地类型、气候条件、交通路网分布图和人口密度等多方面相关因素的资料和数据,我们分析了广州大学城表面附近大气PM2.5浓度的时空变化特征之间的关系。在此基础上,以集成学习算法模型为研究手段,在2020年8月、2020年12月及2021年1月,基于便携式激光气溶胶光谱仪通过移动实测获得的近地面颗粒物浓度数据,我们模拟了研究区域近地面PM2.5浓度在时间上和空间上的分布格局,并讨论了其空间特征和影响因素。本研究主要结论如下:（1）结合移动实测路线获取的PM2.5中值浓度数据,分析冬季(32.78±11.89μg·m-3)高于夏季(19.51±1.83μg·m-3)。研究区域的空间分布表明,冬季早晨内环线的PM2.5浓度低于中环线的PM2.5浓度。在道路交叉口和城市高架出入口附近容易出现PM2.5高浓度区。通常,运输网络越密集,PM2.5的浓度越高,增长趋势就越一致。中环PM2.5的均值浓度在冬季的工作日达到最高(40.11±2.99μg·m-3)。外环临江区域PM2.5中值浓度最低(21.94±2.00μg·m-3),之所以会有这样的差异,是因为区域商业餐饮源排放量和路网空间分布的不同。受建设用地附近重型柴油车排放的影响,PM2.5平均浓度与交通流量也存在一定的相关性。（2）对研究区域PM2.5浓度进行模拟,其空间数值分布模拟研究方法中,首先通常使用的是反距离加权（Inverse Distance Weighting）插值,其次比较常见的是克里金（Kriging,也叫克里格）插值。结果表明在外环非人造用地附近冬季的PM2.5浓度相对很低,内环PM2.5浓度相对较高主要是受到是局地PM2.5排放量增加的影响,而PM2.5高浓度区域主要集中在人口密度较高的生活区和商业区以及东北部靠内陆的入岛区域,前者是由于餐饮排放源PM2.5排放量大,后者则主要是受到运输车辆入岛时的污染气流影响,再者该区域是通往长洲岛方向的交通要道。此外,研究结果表明季节的更替对广州市的PM2.5浓度分布具有较大影响。夏季PM2.5在空间上之所以分布得比较均匀是因为该季节大气整体的扩散条件相对优良。（3）基于移动实测PM2.5数据以及其他特征数据建立的多元回归预测模型,其预测精度较高,其决定系数为0.986,平均绝对误差为0.83,相对误差百分比为2.81%,均方根误差1.42,可以应用于解决广州市细颗粒物预测问题。本研究把人口变量、道路交通变量、地理变量和时间变量添加到回归模型的影响变量中是因为这些变量大都可以直接影响广州市地面附近大气PM2.5的浓度。在城市区域进行近地面的PM2.5移动实测和多因素建模研究,有助于深入探究我国城市地区PM2.5的变化特性及影响机理,快速预测某个区域内的PM2.5浓度时空变化。可以为较大范围内的生态自然环境和人为因素空气污染物治理提供有力的理论支撑和科学依据。