本研究利用2015年至2022年间的PM2.5地面监测月均值、NPP-VIRS卫星遥感数据、Landsat影像数据、ERA5气象数据以及DEM数据，构建了五种针对华东都市圈PM2.5浓度估算的预测模型，涉及随机森林、XGBR、长短期记忆网络（LSTM）、以及基于LSTM与随机森林和XGBR融合的LSTM-RF、LSTM-XGBR模型。通过严格的十折交叉验证，对这五类模型的预测精度进行了深入评估。根据最优模型选择标准及模型性能评价指标R2排序结果，发现LSTM-RF模型在估算精度上表现最佳，其次为LSTM-XGBR、随机森林、XGBR和纯LSTM模型。进一步探讨季节性和月份变化趋势时，发现LSTM-RF模型所估算的PM2.5浓度与实测数据之间的R2系数高达0.98，有力证实了该模型在PM2.5浓度估算上的高效性和可靠性。此外，基于2015至2022年的数据分析结果显示，PM2.5浓度呈现逐年下降的趋势，并具有显著的季节性特征，即冬季最高，随后依序为春季、秋季和夏季。从空间分布角度看，PM2.5浓度呈现出由北向南逐渐降低的规律性变化。
 

多源数据,长短期记忆网络,机器学习,PM2.5