摘要：当前土地利用回归模型(Land Use Regression)模拟PM2.5空气污染浓度分布的研究中,缺乏对建模变量空间尺度依赖特征、PM2.sLUR模型的迁移特性、模型精度评价方法的深入探索,致使LUR模型存在空间尺度依赖特征、时空迁移特性不明确,模型精度评价体系不完善等缺陷,严重阻碍了LUR模型适用范围广、模拟精度较好和空间分辨率高等优势的发挥,难以为研究人员和决策人员提供准确、完备、高精度的空间连续污染浓度数据。本研究对此以美国东部地区2006年PM2.5年均浓度模拟为例,基于常用的地理要素特征变量,采用相关分析、多元线性回归分析、对比分析等方法研究了PM2.5LUR建模特征变量的空间尺度依赖特征和LUR模型的迁移特性,引进图像信息熵和剖面分析方法对传统基于离散点模型精度评价方法进行了优化。研究结果表明：在研究中,不同特征变量对PM2.5浓度的贡献率差异较大,且随空间尺度的变化明显,存在特有的强相关空间尺度。采用强相关空间尺度特征变量构建的LUR模型,拟合精度明显优于其它任意统一空间尺度下(100m-10km等)的结果(adj R2:0.37vs0.33-0.35),且性能更稳定,模拟精度更理想。基于相同特征变量、建模流程构建的全区/子区LUR模型存在较大差异,相对而言,子区LUR模型的拟合效果要明显优于全区LUR模型。受LUR模型预测变量数量、结构差异的影响,全区LUR模型迁移到子区的应用效果较理想,在部分子区(子区1)甚至超越本地模型。子区LUR模型的迁移效果较差。基于离散点的LUR模型评价结果易受检验站点数量及空间分布的影响,出现不一致甚至相悖的结果,稳定性差。相对而言,图像信息熵和剖面分析等基于连续面的模型评价方法能够提高模型评价结果的稳定性,评价内容丰富,理论上也更可靠。