相对于地面观测手段，卫星遥感在空间覆盖率上具有显著的优势，是测算城市间相互传输通量的理想手段。然后气溶胶的卫星遥感观测是通过对气溶胶光学厚度（AOD）的反演来间接反映近地面的PM_2.5浓度，AOD与近地面PM_2.5的浓度相关，但其定量关系还受到气象条件等因素的影响，因而不能直接换算；AOD的卫星遥感观测受云的影响很大，云覆盖率超过50%的区域难以获取准确的AOD数据，而从导致数据空缺，无法用于直接测算城市间的相互传输通量；此外，卫星遥感属于被动遥感，无法获取夜晚的观测数据，仅仅使用白天的观测数据测算城市间相互传输通量，也可能带来一定的偏差。

为此，项目二课题三研究团队将信息学科的深度学习技术引入到卫星遥感观测中，在通过查找表方法反演得到AOD的基础上，通过深度学习算法得到白天低云覆盖地区的近地面PM_2.5浓度；然后以AOD数据为基础，融合气象场、地形等信息，利用时空神经网络模型得到空间全覆盖、逐小时（包含夜晚）的地表PM_2.5浓度所示，并将其应用到长三角地区近地面PM_2.5空间分布的遥感观测中。通过与地面国控站点对比验证表明，该算法具有较高的反演精度。课题在后续研究将利用深度学习算法获得的PM_2.5时空分布数据开展城市和区域间PM_2.5相互传输通量的精准测算。

时空全覆盖地表PM_2.5浓度反演技术路线

长三角地区（a）卫星遥感反演的AOD、（b）神经网络反演的PM_2.5和（c）国控站点观测的PM_2.5空间分布及（d）神经网络与国控站点PM_2.5对比