1.基于梯度提升决策树地表PM2.5浓度估算的方法，其特征在于所述基于梯度提升决策树地表PM2.5浓度估算的方法按照以下步骤进行：一、对地面观察的PM2.5浓度数据进行预处理，获取研究区内各个站点的日、月、年平均PM2.5观测浓度数据；

二、对遥感AOD产品数据进行处理，获得控制质量较好的AOD数据和扩大AOD数据的空间覆盖率，然后根据步骤一所获得的结果数据提取对应点的遥感AOD数据；

根据步骤一所获得的结果数据提取对应点的遥感AOD数据过程如下：a、利用遥感AOD产品数据的控制质量文件数据，根据控制质量说明，通过对原始AOD数据裁切，获得控制质量较好的AOD数据；

b、通过一般线性回归方法对每天不同源遥感数据的AOD数据进行拟合、弥补缺失区域以扩大空间覆盖率，线性回归拟合公式如下：τ星1＝α×τ星2+β             (1)τ星2＝α×τ星1+β             (2)公式中τ星1为Terra卫星的AOD，τ星2为Aqua卫星的AOD数据，α和β分别为线性回归方程的斜率和截距；

c、根据步骤一所获得的结果数据提取对应点的遥感AOD数据；

三、对气象数据和辅助数据预处理，不同格式和时间分辨率数据统一化处理，然后，根据步骤二所获得的数据结果提取对应点的气象、辅助数据；

四、根据步骤三结果数据进行整合，以确保所有数据在空间和时间上都一致，具体过程如下：d、创建覆盖整个研究区的格网数据，并与步骤三中合成的AOD数据相匹配；

e、对落在一个格网中同一变量的多个数据求平均，以确保所有变量数据在空间和时间上都与AOD数据一致；

五、根据步骤四结果对数据探索性分析，以消除多变量之间的共线性问题，从而避免信息重复，过程如下：f、利用方差膨胀因子方法计算所选变量之间的共线性关值；

g、根据VIF值大小判断是否存在共线性，当VIF值小于10时认为变量间不存在共线性问题；VIF值大于等于10存在明显共线性问题，共线性的变量只选择一个变量参与模型估算；

六、根据步骤五结果，利用梯度提升决策树方法构建PM2.5浓度估算模型，具体过程如下：h、从数据集N中提取Z个样本，此时为只有一个根节点的树；

i、对每个样本计算负梯度，即残差；

j、将残差作为训练数据，通过最小化损失函数，从M维特征中选取最佳划分节点，划分样本得到新树对应的叶子节点区域，更新树；

k、重复i和j过程直到损失函数最小L(y,ft(x))＝L(y,ft-1(x)+ht(x))，即样本的损失尽量变得最小，式中L(y,ft(x))为本轮的损失函数，L(y,ft-1(x))为前一轮迭代得到的损失函数，ht(x)为回归树模型的弱学习器；

并且对于每棵梯度提升决策回归树，都有满足以下条件：其中(xi，yi)为样本集，i＝1,2,…,N，xj为变量x的第j个特征，Rm(j，s)为切分变量xj和切分点s对应的区域， 为每个区域的最优值；

根据k中的结果，然后模型中加入时间和空间特征，最终的模型如下所示：PM2.5＝f(变量，......变量，DOY，X，Y)           (6)其中，DOY代表一年中的某一天，X为经度，Y为纬度。

2.根据权利要求1所述基于梯度提升决策树地表PM2.5浓度估算的方法，其特征在于步骤三所述气象数据为温度、降水或蒸散发。

3.根据权利要求1所述基于梯度提升决策树地表PM2.5浓度估算的方法，其特征在于步骤三所述辅助数据为DEM、NDVI或LUCC。