为实现碳中和总体目标，我国施行了一系列大气环境治理政策。以北京市为例，在2018年实现“煤改气”后，细颗粒物（PM_2.5）污染状况得到显著改善。在此背景下开展的空气污染相关环境健康研究，需要同时兼顾时间和空间两个维度，应用时空暴露模型开展暴露模拟和评估。时空暴露模型的建模方法众多，有必要开展模型比较研究以评估各类模型的适用条件和范围。
    本研究基于北京市城区和郊区环境监测点位2015-2020年的PM_2.5观测数据，应用土地利用回归-泛克里金（Land-use regression-Universal kriging，LUR-UK）模型、监督回归线性模型（Supervised linear regression，SLR）、随机森林（Random forest，RF）模型三种建模方法创建了PM_2.5时空暴露模型。在应用包括化学传输模型模拟结果和卫星数据在内的一系列地统计变量集开展模拟时，LUR-UK和SLR模型分别应用偏最小二乘法（Partial-least-squared regression，PLS）和变量筛选法对地统计变量集分别进行降维和筛选后纳入模型。为探讨监测点位数量和模型模拟范围对模拟结果产生的影响，本研究分别针对城市点位和纳入郊区点位后的整个市区点位分别创建城区模型和全市模型，应用剔除一个监测点位交叉验证（Leave-one-site-out cross-validation, LOOCV）方法对模型模拟效果进行评估。
    城区和全市PM_2.5模型的交叉验证结果如表1所示，结果表明：基于城区23个监测点位创建的LUR-UK模型模拟效果显著优于基于35个监测点位创建的全市模型；RF模型的对比结果则相反，全市模型的交叉验证结果优于城区模型的交叉验证结果；SLR模型对比结果同RF模型类似，基于35个点位的全市模型表现更好，但各年份模型交叉验证结果间的差异较大；三类模型对比结果表明，LUR-UK模型的表现优于另外两种模型。
    三种模型的表现受到城市和郊区研究范围不同以及监测点位数量多少的影响。总体而言，LUR-UK模型的表现优于RF和SLR模型；在纳入郊区点位的情况下，RF和SLR模型全市模型的表现得到优化；而LUR-UK的城区和全市模型的对比结果与另外两种模型相反，其城区模型的表现更好，这与基于少量点位创建模型的过度拟合有关，增加点位数量能够降低过度拟合的效果，使LUR-UK的模型验证结果更接近真实。

细颗粒物；时空暴露模拟；地统计模型；机器模型