随着经济发展和城市化进程的加快，各种大气污染物排放增加，空气质量问题日益严重。近年来雾霾天气的频发严重影响人们的出行、生活和健康，其起因空气动力学直径小于或等于2.5μm的细微颗粒物PM2.5的污染问题引起了公众和政府的广泛关注。大量流行病学研究发现PM2.5容易吸附有毒物质，随人类的呼吸进入到肺泡，引发哮喘、呼吸系统和心血管疾病，甚至肺癌。近年来，随着香港与珠三角地区的贸易联系日益紧密，人口增加，交通密集，空气污染问题日益严重，雾霾天气逐渐增加，因此细微颗粒物的时空分析与监测对其污染的预防与治理十分重要。　　本文以香港地区为例，在PM2.5时空变异特征和影响因子分析的基础上，利用中分辨率成像光谱仪(MODerate resolution Imaging Spectroradiometer,MODIS)遥感数据反演更高精度和更高分辨率的AOD产品，建立大气PM2.5浓度估算模型，结合气象数据和土地利用数据对反演模型进行校正，提高模型精度，实现对香港地区PM2.5浓度时空变化的更高精度的估算。主要的研究成果和创新之处如下：　　(1)分析了近五年香港地区PM2.5浓度时空变化特征，弥补了2011年以后关于香港地区PM2.5浓度变化研究的不足。　　关于香港PM2.5浓度变化研究主要集中在2011年以前，近几年的研究略显不足。为了弥补时间序列上的空缺，本文以2011-2015年14个空气环境监测站的PM2.5小时浓度数据为基础，结合空间插值的方法，定量定性的分析了近五年香港地区PM2.5的时空变异特征，主要包括年变化，季节变化和日变化三方面的研究。从时间变化特征来看，2011年 PM2.5浓度最高，2012年较大幅度下降，2013年回升，2014、2015年逐年下降。PM2.5浓度受亚洲季风循环影响，冬季浓度最高(36-50μg/m3)，夏季最低(12-30μg/m3)。日变化方面，交通早晚高峰期时PM2.5浓度出现逐渐上升趋势并到达峰值(28-54μg/m3)，高峰期过后PM2.5浓度下降。从空间分布特征来看，PM2.5浓度与土地覆盖类型、人口密度和交通等因素有关，人口较多交通拥挤的城市地区PM2.5浓度偏高，而植被覆盖度高人口稀少的地区PM2.5浓度偏低。　　(2)明确了气象因子对PM2.5浓度变化的影响和原因。　　收集了2013年香港天文台的气象资料，包括气温、气压、相对湿度、风速、风向和降雨，研究了各要素的逐月变化趋势，并与站点PM2.5浓度进行相关性分析，结果发现，PM2.5浓度与气压呈正相关，相关系数为0.507，与气温、降雨量、相对湿度、风速呈负相关，相关系数分别为-0.512、-0.237、-0.524、-0.284。不同季节和月份相关性存在差异。风向通过影响污染物的传播方向来影响浓度，冬季盛行的北风将珠三角地区的细微颗粒污染物吹到香港，PM2.5浓度增加，夏季盛行的东南风来源于南海上空干净的空气，PM2.5浓度较低。因此，气象条件通过影响PM2.5的聚集、扩散与传播而影响其浓度变化，两者相关性的研究为估算模型的建立时自变量的选取提供依据。　　(3)改进了简化气溶胶反演算法，提高了MODIS AOD的反演精度、分辨率和与PM2.5浓度的相关性。　　总结并对比了中分辨率光谱仪(MODIS)空间分辨率为10 km和3 km两种业务化的AOD产品(MOD04)的反演流程，然而MOD04空间分辨率较低不能满足香港城市尺度的应用。简化气溶胶反演法(Simplified Aerosol Retrieval Algorithm,SARA)可以反演500 m分辨率的AOD产品。原始算法中所需的单次反照率和非对称系数两个参数是由地面气溶胶观测网络(Aerosol Robotic Network, AERONET)观测的AOD推算而来，对于AERONET站点缺乏的区域并不适用，为了增加该方法的广泛应用性，本研究改进了原有的 SARA算法，利用气溶胶与云光学特性软件(Optical Properties of Aerosols and Clouds,OPAC)模拟单次散射反照率和非对称系数。并用改进后的SARA方法反演了香港地区2012-2014年500 m的AOD产品，与地面的AERONET观测AOD的R2为0.938，均方根误差(Root-Mean-Squared Error,RMSE)为0.072，相比3 km AOD(R2=0.854,RMSE=0.118)和10 km AOD(R2=0.827,RMSE=0.126)精度明显提高。另外与PM2.5浓度的相关性分析发现，改进的SARA反演后的AOD与PM2.5的R2为0.659，高于3 km(0.515)和10 km(0.205)的AOD。　　(4)基于AOD与PM2.5浓度的相关关系，建立了一种基于时空地理加权回归算法的PM2.5时空变化估算模型。　　目前大部分的PM2.5浓度估算模型为全局模型，即模型的系数恒定不变，模型精度往往较低。考虑到PM2.5与AOD以及其他变量之间的时空不确定性，开发了一种基于遥感AOD数据的时空地理加权回归模型(Geographically and Temporally Weighted Regression,GTWR)估算PM2.5浓度，模型的自变量设定为AOD，气象因子(气温、气压、风速、风向、相对湿度)和土地利用因子(植被覆盖度、站点为中心500m半径缓冲区内道路总长度)。与地面站点监测数据的交叉验证结果显示，与普通最小二乘(Ordinary Least Squares，OLS)，地理加权回归(Geographically Weighted Regression，GWR)以及时间加权回归(Temporally Weighted Regression, TWR)模型的估算结果相比，GTWR模型的R2从0.598,0.655,0.778提高到0.792，RMSE从15.885,14.723,11.817μg/m3减小到11.463μg/m3。由此证明了GTWR模型在PM2.5浓度变化估算方面的优势。最后将GTWR模型应用于计算2013年PM2.5年平均浓度分布，计算结果与地面监测站点的结果基本一致，并显示了更多空间变化的细节。　　本研究基于遥感手段的PM2.5浓度分析与监测可以有效的弥补单一地面监测手段的不足，提供更全面详细的PM2.5浓度时空分布信息，对细微颗粒物污染的治理以及相关传染病方面的研究提供基础的数据支持，为政府部门制定大气污染应急预案和城市发展战略提供参考，有利于香港地区的大气环境保护和区域的可持续发展。