PM2.5是指空气动力学直径小于或等于2.5微米的颗粒物，暴露于PM2.5污染已成为全球第五大死亡风险因素，这一污染物在全球和我国都带来了严重的环境问题与人类健康问题。当前国仅有约1700个地面PM2.5观测站点，且分布呈现东多西少，城市多、农村少的特点，对于全面的PM2.5监测并不充分。而卫星遥感技术宏观、快速获取信息的特点，使得全面、高精度的PM2.5估算成为可能。近年来，机器学习和深度学习已广泛地用于大气中PM2.5的估算，但机器学习仅基于数值关系建模忽略了地理对象所存在的地理异质性和地理相关性；且深度学习模型普遍空间泛化能力较弱，针对较大空间尺度的预测能力有待开发。
图1 图文摘要
史舟老师团队对深度学习模型进行改进，通过将空间信号(Spatial Signal)整合到循环神经网络(Recurrent Neural
Network, RNN)中，开发了一种由地理数据驱动、能够同时整合数据空间异质性和时间依赖性的时空增强神经网络(Spatiotemporal
Enhanced Neural Network, STENN)用于PM2.5估算，与先前学者的研究相比，实现了模型精度提升，并具备了更强的时间和空间迁移能力。同时应用MODIS AOD（光学气溶胶厚度）遥感产品以及来自气象、人类活动、地表覆被三个方面的辅助变量估算了中国大陆2014年-2020年间的PM2.5时空分布，生成了1km分辨率的我国年均PM2.5浓度产品。该产品与地面观测PM2.5浓度具有较高的一致性(R2=0.89,
RMSE=5.84μg m-3)。同时与目前广泛使用的1km PM2.5产品相比，该产品在不同区域具有更好的稳定性，尤其是在高值估算和空间连续性方面，体现了模型较强的空间泛化能力。
图2 我国2014-2020年年均PM2.5浓度分布情况
基于生成的高分辨率PM2.5产品，分析了我国PM2.5污染情况的时空变化趋势。我国7年平均PM2.5浓度为32.95±13.88 μg m-3。污染最严重的地区是中国北部、西北和中部部分地区。自实施大气污染防治行动计划以来，2020年我国88.79%的地区PM2.5浓度较2014年下降，平均下降速率为3.35 μg m-3/年，表明中国政府的有效治理能力。京津冀、长三角、珠三角地区以及全国范围内的下降趋势呈指数变化，由快速下降到逐渐减缓再趋于稳定。因此我国要在2025年前实现“美丽中国”目标，仍需制定更具区域针对性的大气污染治理政策。
