1.一种用于pm2.5浓度分布的时空估算和预测的方法，包括：
细粒度气溶胶光学厚度(aod)的采集与校正，包括：
处理mcd19a2、geosfp和地面气象观测数据的原始数据集，选择并定义从mcd19a2中提取的aod为aod-0数据集，在geos-fp数据的基础上，利用自然邻域插值方法将pblh转换成与aod数据集相同的栅格格式文件，便于aod的校正；
使用相对湿度分布数据集修正aod-0。校正方程如下，
其中rh表示相对湿度，aod0表示aod-0，aod1表示aod-1，对于每一个对应的单元，使用函数来修正aod-0，然后得到aod-1分布；
基于aod-1和pblh数据集，使用下面的公式第二次修正aod：
其中aod1是aod-1，aod2是aod-2。最后得到了aod-2分布，即修正后的精细时空aod分布；
计算细粒度pm2.5的回归模型：
对空气质量观测数据进行预处理，提取16个空气质量站点的pm2.5小时浓度值，再利用地面气象观测资料提取风速和降水值；
计算151天内16个站点pm2.5浓度、风速和降水的日平均值，对aod-2光栅图像进行相同的预处理；
从151天和16个站共得到151×16＝2416组变量，利用回归模型和机器学习方法，建立pm2.5浓度与其他自变量之间的估计模型，并进行精度比较，其中，回归模型包括线性模型、脊模型、最小绝对收缩和选择算子(lasso)模型、立体模型和极端梯度增强(xgboost)模型；
建立pm2.5浓度与aod之间的模型，并利用该模型估计整个研究区pm2.5的空间连续分布，使用块统计和缺失值填充(bsmp)方法使aod成为完整的空间连续分布；
细颗粒pm2.5浓度分布预测：
在数据集上应用两个预测模型：sarima和convlstm，在预测部分，建立一个类似鱼网的网格，将整个研究区域按不同时间的每个分布划分为正方形单元，研究区域为165×165km2，为使数据结构更适合预测模型，该区域网格由50×50＝2500个单元组成，每个单元为3300×3300m2；
将pm2.5网格输入到convlstm模型中进行10次预测，使用从原始数据集中提取的10个不同的数据组，每组由151-9＝142天的数据组成，每训练一次142×20％≈114天的模型，并对接下来28天的数据进行测试；
经过10次的训练和预测，通过计算测试数据和预测数据的均方根误差(rmse)和决定系数r2回归得分函数来评估结果。