随着生活水平的提高,环境问题成为公众关注的焦点。大气中的二氧化氮（NO2）可参与光催化反应,在对流层中产生臭氧和光化学烟雾,是导致空气污染的主要“元凶”之一,也会引起酸雨导致生态圈的破坏。大气中的NO2主要集中在近地面,与人类健康以及环境污染更密切相关的是近地面NO2的浓度,所以有必要对其进行准确的监测。但是我国近地面NO2的监测从2013年才开始,且站点集中分布于人口密集的城市地区,无法获取全覆盖的近地面NO2浓度水平。与常规的地基观测技术相比,卫星遥感技术具有覆盖范围广、持续时间长的优势,因此基于卫星遥感数据且融合地基观测数据、气象数据等估算近地面NO2浓度是必要且有意义的。基于以上问题,本研究采用机器学习模型的方法估算了河南省近地面NO2浓度,主要开展的工作和取得的研究结果如下:（1）提出近地面NO2估算数据集的构建流程,并融合多源数据构建河南省日均尺度和月均尺度近地面NO2估算数据集。由于卫星监测对流层NO2柱浓度与近地面NO2浓度之间有显著相关性,将卫星数据、气象数据、人口数据和国控站点数据有机的结合用于近地面NO2估算。对数据进行质量控制、质量验证、时空匹配和变量选择等一系列流程,构建用于日均尺度和月均尺度的近地面NO2浓度估算的NO2-Edata数据集。（2）提出基于遗传算法优化的机器学习近地面NO2估算模型。针对机器学习算法超参数设置复杂和易陷入局部最优调参范围的问题,使用遗传算法对RF、GBRT和XGBoost三个机器学习预测模型进行超参数优化,分别设计GA-RF、GA-GBRT和GA-XGB模型,得到在日均尺度和月均尺度上的最优参数组。并使用NO2-Edata测试集进行性能评估,可知使用遗传算法优化很大程度上提高了原始模型的估算精度。在日均尺度估算上各模型的估算精度:GA-XGB＞GA-GBRT＞XGBoost＞GA-RF＞RF＞GBRT,GA-XGB模型估算精度最高,R~2为0.80,MAE（平均绝对误差）为4.31μg/m~3,RMSE（均方根误差）为6.68μg/m~3,MAPE（平均绝对百分比误差）为27.60%。在月均尺度估算上各模型的估算精度:GA-XGB＞GA-RF＞GA-GBRT＞RF＞XGBoost＞GBRT,GA-XGB模型估算精度最高,R~2为0.82,MAE为3.52μg/m~3,RMSE为4.91μg/m~3,MAPE为22.32%。（3）提出一种基于Stacking融合模型的近地面NO2估算方法。使用Stacking集成思想将GA-RF、GA-GBRT和GA-XGB模型进行融合,GA-RF、GA-GBRT和GA-XGB模型作为基学习器,岭回归模型作为元学习器设计Stacking融合模型。日均尺度估算性能:R~2为0.80,MAE为4.29μg/m~3,RMSE为6.66μg/m~3,MAPE为27.55%;月均尺度估算性能:R~2为0.83,MAE为3.42μg/m~3,RMSE为4.87μg/m~3,MAPE为22.27%。通过估算结果性能对比,Stacking融合模型的估算精度较单一模型有小幅度提升。（4）针对日均尺度近地面NO2估算存在缺失值问题提出Stacking-K模型。由于日均尺度上卫星数据网格化后仍存在空缺值,导致部分区域数据空白,无法估算其浓度水平,针对此问题提出结合Kriging插值法的Stacking-K模型。结合插值可以获取完整区域的日均近地面NO2浓度估算值,且估算效果较好,解决了卫星数据缺失导致估算覆盖面不全的问题。