使用卫星遥感气溶胶光学厚度（AOD）和气象要素反演细颗粒物PM_2.5对大气污染防治具有重要意义。利用高时空分辨率静止卫星Himawari-8 AOD、ERA-5气象数据和地理信息，基于融合随机森林（RF），梯度提升回归树（GBRT）以及深度神经网络（DNN）三个子模型的线性混合机器学习模型（RGD-LHMLM），对2019年中国地区PM_2.5浓度进行估算。结果表明：经过线性拟合得到的RGD-LHMLM中，DNN所占比重最大，权重系数为0.62。RF、GBRT和DNN的R²分别为0.79、0.81和0.80，而RGD-LHMLM的泛化能力优于子模型，R²提升至0.84，RMSE和MAE分别为12.92μg/m³和8.01μg/m³。统计RGD-LHMLM空间性能发现，超过70%的站点R²＞0.7，超过95%的站点RMSE＜20μg/m³，MAE＜15μg/m³。由于反演因子与PM_2.5之间相关系数存在季节差异性，RGD-LHMLM反演性能在冬季最佳，平均R²为0.84，夏季最差，平均R²为0.71。利用RGD-LHMLM估算中国地区PM_2.5，分析其时空特征发现：冬季污染严重，平均PM_2.5浓度值为62.10μg/m³，夏季污染较轻，平均PM_2.5浓度值为47.39μg/m³；华北和华东地区污染最严重，年均PM_2.5浓度值为82.68μg/m³，内蒙古，青海，西藏等地污染程度较低，年均PM_2.5浓度低于40μg/m³。

机器学习,PM2.5