近地面臭氧由于其较强的氧化性,会对人群健康、农业生产和生态系统产生损害,需要长时间尺度、全国规模、高精度、高时空分辨率的臭氧数据产品作为优化环境风险评估和管理的支撑。目前我国臭氧地面监测数据的时空覆盖度不足,化学传输模式模拟结果的不确定性较大,而统计模型方法尤其是机器学习方法不依赖排放清单数据,建模采用的监测数据、气象观测数据、土地利用数据等更易于获取,预测精度更高,更契合本研究的目的,但该方法在国内的应用目前仍然较少。近地面臭氧浓度与气象参数等因素存在较强的关联,且针对PM2.5、NO2等大气污染物浓度的统计模型取得了良好的效果,因此基于上述数据将利用统计模型开展臭氧浓度估算研究从城市区域尺度扩展到全国尺度在技术上是基本可行的。在以预测精度为首要考虑因素,兼顾模型运行速度和可解释性的条件下,机器学习方法中的XGBoost模型更加适用于本研究。因此,本研究的目的在于利用我国地面监测数据,结合气象资料、化学传输模式模拟数据和土地利用数据等资料,基于XGBoost算法开发统计模型,从而估算我国长时间尺度、高时空分辨率的O3浓度时空分布状况,并探究我国O3浓度时空变化的关联因素。本研究充分借鉴国内外研究的经验,基于“八大综合经济区”的区划方法,在各区域分别建立单年份模型和以时间外推能力为目标的模型,并对模型表现进行了评估,最终基于模型预测的结果进行了统计分析。主要的研究结论如下:（1）将化学传输模式模拟数据作为协变量纳入XGBoost模型,以十折交叉验证为模型评估方法,可以建立具备较高预测精度的单年份模型。通过将大气化学传输模式模拟结果纳入作为协变量而不是构建因变量对于模型精度和准确度的提升均有一定的作用。不同季节和区域的模型表现存在差异,秋季的效果也相对较好,北部沿海和南部沿海经济区的效果较好。（2）将化学传输模式模拟数据作为协变量纳入XGBoost模型,以年际交叉验证为模型评估方法,可以建立具备较高时间外推性能的模型。依据时间外推的结果,本研究构建的模型不会随时间间隔的增加产生预测精度上的明显下降,间接的证据也表明也适用于全国范围的预测,具有较好的平稳性和可靠性。将化学传输模式模拟结果纳入作为协变量对于提高模型时间外推的能力具有一定的帮助,一定程度上可以减少过度拟合的情况。另外,尽管采用月均值直接建模的方式可以节约时间和计算量,但在采用同样指标对比的情况下最终效果不如直接采用逐日浓度建模,而且也无法提供更为精细时间分辨率的信息。（3）在长期空间分布上,华北地区、江浙沪地区、珠三角、四川盆地、河南地区和东北地区属于污染较为严重的地区。其中,江浙沪地区、珠三角地区大部分季节污染都较为严重,而华北地区、东北地区具有明显的季节污染特征,冬季的平均浓度较低。在长期时间变化上,我国大部分地区的臭氧浓度都呈现上升的趋势,臭氧污染正在恶化和蔓延。在年内浓度变化方面,除少部分地区外,我国整体在5月到8月浓度较高,而在1月和12月浓度较低。北部沿海地区的年内幅度变化最大。在相关因素方面,日最高温度和日照时数是预测臭氧浓度最重要的两个气象参数,同时,横纵坐标和年积日在模型的重要性体现了模型中还存在着未被其他变量所解释的时空异质性。