1.基于时空光梯度增强机的地表O3浓度估算方法，包括以下步骤：步骤一，观测值预处理；步骤二，统一化处理；步骤三，单元网格建立；步骤四，数据整备清洗；步骤五，特征性选择；步骤六，生成估算模型；其特征在于：其中上述步骤一中，对地表O3观测值进行预处理，获取研究区0.1°×0.1°空间分辨率的日最大八小时滑动平均浓度[O3]MDA8；

其中上述步骤二中，获取卫星反演O3柱浓度数据、气象数据和辅助数据，随后对卫星反演O3柱浓度数据、气象数据和辅助数据进行预处理，将不同格式和不同时间分辨率的数据进行统一化处理，得到统一化数据；

其中上述步骤三中，创建研究范围网格，之后将步骤二中得到的统一化数据匹配到各单元网格中，随后获取网格中多个站点的O3测量值，然后分别取均值，得到测量平均值；

其中上述步骤四中，对步骤三中得到的测量平均值进行整合，整合后进行数据清洗，清洗后得到清洗后数据；

其中上述步骤五中，采用包裹式和嵌入式相交集的方式对清洗后数据的特征进行选择；对数据的特征进行选择的过程如下：S5‑1，采用Pearson相关系数来检验特征之间的相关性；

S5‑2，利用方差膨胀因子方法计算所选变量之间是否存在多重共线性；

S5‑3，根据VIF值对变量间的共线性进行判定；

S5‑4，使用包裹式和嵌入式相交集的方式来进行特征重要性计算，并根据计算结果选取数据特征；

其中上述步骤六中，根据步骤五中特性选择的结果，来构建时空‑LightGBM的机器学习模型，之后利用构建的模型对O3浓度进行估算；构建时空‑LightGBM的机器学习模型过程如下：S6‑1，从数据集N中提取Z个样本，建立有一个根节点的回归树；

S6‑2，对每个样本计算负梯度，并将每个样本的负梯度标记为对应样本的残差；

S6‑3，将样本的残差作为训练数据，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，对树进行更新，得到梯度提升决策回归树；

S6‑4，重复S6‑2和S6‑3的过程直到误差小于预估最大误差，同时每棵梯度提升决策回归树，都满足以下条件：j j

其中(xi，yi)为样本集，i＝1,2,…,N，x 为变量x的第j个特征，Rm(j，s)为切分变量x 和切分点s对应的区域， 为每个区域的最优值；

S6‑5，通过相邻像元和中心像元的距离、时间加权来对时空地理数据的提取；

S6‑6，根据S6‑4和S6‑5中的结果，建立O3浓度预测模型，之后使用建立的模型对地表O3的浓度进行估算；

所述S6‑5中，对时空地理数据的提取的特征提取方程为：Spacew＝f(Lon，Lat)＝haversine(α2‑α1)+cosα1cosα2haversine(β2‑β1)   (4)；

所述S6‑6中，建立的O3浓度预测模型为：

O3＝f(OMI，ssrd，tp，rh，blh，sp，t2m，tcwv，u10，PM2.5，SO2，NO2，CO，Space，Time、LUCC、POP)其中，Spacew表示栅格中某像元到边界和中心的距离；Lon表示像元所在的经度；Lat表示像元所在的经度；Space和Time表示空间和时间特征；r代表地球半径；DOY(Day Of Year)表示当日在一年中属于第几天；Year代表该年的总天数。

2.根据权利要求1所述的基于时空光梯度增强机的地表O3浓度估算方法，其特征在于：所述步骤二中，气象数据包括温度数据、风速数据、降水数据和气压数据，辅助数据包括LUCC数据，人口数据和DEM数据。

3.根据权利要求1所述的基于时空光梯度增强机的地表O3浓度估算方法，其特征在于：所述步骤三中，获取多个站点O3测量值的均值过程如下：S3‑1，创建覆盖整个研究区的0.1°×0.1°格网数据，并将步骤二中得到的统一化数据匹配到各单元网格；

S3‑2，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的一致性，接着对于0.1°范围内的多个站点的O3测量值取均值，得到测量平均值。

4.根据权利要求1所述的基于时空光梯度增强机的地表O3浓度估算方法，其特征在于：所述S5‑3中，共线性的判定规则为：当VIF值＜10时，判定变量间不存在共线性；当VIF值≥

10时，判定变量间存在共线性。