近年来,随着经济发展和城市化进程不断加快,空气污染已经成为最严峻的污染问题之一,PM2.5是首要污染物,对PM2.5浓度及时全面地进行分析能够为减排政策的制定和环境治理提供依据。但由于地面站点的不完全覆盖和空间分布不均,我们难以进行大范围连续的PM2.5时空特征分析。本文以长江三角洲地区(三省一市)为研究对象,利用研究区内2015年12月至2016年11月间的国控点PM2.5浓度数据,基于气溶胶光学厚度、气象和植被等遥感数据以及工厂和道路分布等矢量数据,提出了使用特征向量空间滤值算法和空间变系数特征向量空间滤值算法构建PM2.5浓度模型的方法,进而分析研究区内PM2.5浓度的时空演变特征及驱动因子等。主要研究内容如下:(1)提出了PM2.5浓度的特征向量空间滤值建模和分析的方法。构建了PM2.5浓度的特征向量空间滤值模型,与多元线性回归模型(GML)和空间残差模型(SEM)进行精度对比。特征向量空间滤值模型的精度最优,其年均模型的调整后R2比GML提高了10.9%,比SEM提高了9.2%,RMSE比GML降低了8.0%,比SEM降低了4.9%,交叉验证的结果比GML和SEM分别降低了10.2%和1.1%,说明该模型具有很好的PM2.5预测能力和应用价值。然后应用该模型绘制PM2.5浓度分布图并进行时空分布特征分析。(2)提出了PM2.5浓度的空间变系数特征向量空间滤值建模和分析的方法。构建了PM2.5浓度的空间变系数特征向量空间滤值模型,与特征向量空间滤值模型(ESF)和地理加权回归模型(GWR)进行精度对比。空间变系数特征向量空间滤值模型的精度最优,年均模型的调整后R2比ESF提高了11.4%,比GWR提高了4.0%,RMSE比ESF降低了16.6%,比GWR降低了4.8%。交叉验证的结果比ESF和GWR分别降低了6.1%和24.8%,说明其具有优秀的PM2.5预测能力和应用价值。然后应用该模型绘制PM2.5浓度分布图并进行时空分布特征分析。(3)提出了基于特征向量空间滤值模型和地理加权回归模型的PM2.5浓度驱动力研究方法。分别对ESF和GWR模型的标准化系数进行时间与空间尺度上的分析,探究了长三角地区内所选自变量与PM2.5浓度的关系,找出PM2.5浓度不同时间、空间条件下的驱动力,为政府的污染治理决策提供依据。