二氧化氮（NO2）是大气中重要的痕量气体,高浓度近地面NO2浓度会对人类健康产生威胁。我国已经在全国范围内建立大量空气质量监测站,但地面监测站观测范围有限,无法表征大范围NO2空间分布,而卫星遥感提供的对流层NO2柱浓度数据使其大范围监测成为可能。目前,机器学习算法被广泛应用于基于对流层NO2柱浓度的近地面NO2浓度估算,但机器学习模型很难解释输入变量与输出结果之间的关系。此外,相比于OMI传感器,TROPOMI传感器高空间分辨率的特性在近地面NO2浓度估算应用上的潜在优势亟待检验。同时,估算结果的空间覆盖度和机器学习模型低估的现象也有待优化。对此,本文采用极限梯度提升（XGBoost）算法,以地面观测站数据为响应变量,卫星数据,气象数据等作为预测变量,对2014-2021年中国大陆的近地面NO2浓度进行估算,在模型训练前先对预测变量进行筛选,分析变量在模型中的贡献,并对估算结果的空间覆盖度进行了提升,处理过程有:（1）从站点分布和VIF系数的角度对变量进行筛选,剔除了空间位置信息和地表高程变量;（2）通过SHAP值对各变量在模型中的贡献进行描述,区分特征重要性,提高模型的可解释性。实验结果如下:（1）使用OMI数据的估算值十折交叉验证结果R~2=0.69,RMSE=7.192)/8)~3;（2）时序分析发现自2014年以来我国近地面NO2浓度出现明显下降,大气污染防治措施取得成效;（3）通过对比选取了XGBoost算法建立模型对缺失数据进行补充,将估算结果的空间覆盖度从27.2%提升至44.8%。在此基础上,本文对比分析了TROPOMI对流层NO2数据与OMI数据在近地面NO2估算上的差异,并将样本分类为高值和非高值从而构建集成模型对模型低估的情况进行了优化,结果如下:（1）TROPOMI的空间覆盖度高于OMI,全国范围内平均覆盖有效天数比OMI高80%,平均日覆盖度比OMI高22%;（2）TROPOMI估算精度高于OMI,十折交叉验证R~2=0.75,斜率为0.74,而OMI对应值分别为0.69和0.68;（3）TROPOMI更高的空间分辨率可以识别出OMI无法识别的空间细节,得到的估算值比OMI的更接近地面观测值;（4）通过集成模型的优化,将TROPOMI数据估算结果的R~2提升至0.81,散点图斜率增加至0.86。本论文有图36幅,表9个,参考文献123篇。