针对城市热环境研究中研究尺度选择不足、研究维度不全面导致研究结论与实际情况有差异的问题，提出一种定量分析和研究城市建筑空间分布格局与城市热环境相关性的方法。首先基于Landsat8遥感影像提取研究区的地表温度（LST），构建研究区城市建筑空间分布格局定量表达体系，然后利用相关分析（CA）和双变量局部空间自相关分析（BLSAA）方法探究1 km和2 km尺度下城市建筑空间分布格局对热环境的影响。所提方法对济南市中心城区热环境的研究结果表明：一、二、三维城市空间结构指标对研究尺度变化非常敏感，且一、三维城市空间结构指标尤其敏感；1 km尺度下的研究结果置信度比2 km尺度高；一、二、三维城市空间结构指标对城市热环境的影响主要为正相关，且正相关指标的个数随维度增长而递增；相比于一维城市空间结构指标，二、三维城市空间结构指标与城市热环境的相关程度较大。

随着对大气污染问题的日益重视, 监测大气颗粒物质量浓度也成为了热门研究领域。针对现行两种流行算法 (基于模式模拟和基于机器学习) 产生的近地面 PM 2.5 质量浓度科学数据集进行了比较分析, 利用城市年均 PM 2.5 监测数据定量评估两数据集的不确定性, 并通过空间自相关分析对两数据集的空间合理性进行了评价。同时, 还利用标准差椭圆分析研究了 2000-2018 年间主要污染区域 (北京、天津、河北、河南、山西、山东等地) PM 2.5 的时空演变趋势。结果表明, 基于机器学习算法产生的数据集 (CHAP) 具有较高的精度, 适用于区域性空气质量研究; 而基于模式模拟算法产生的数据集 (vanDonkelaarA) 具有合理的空间分布, 更适合于大尺度、长时间的污染趋势分析。由标准差椭圆分析发现, 2000-2018 年研究区域标准差椭圆中心的位置整体向东北方向移动; 2013 年前 PM 2.5 分布范围及年均值在波动中呈现整体上升的趋势, 随后显著下降, 造成 PM 2.5 浓度下降的主要因素是有效管控措施的实施。研究结果为中国区域的细颗粒物污染研究的数据集选取提供了参考依据, 为大气细颗粒物污染的防控提供科学支撑。

为探究环渤海三大城市群空气污染特征及其与气象要素关系的异同, 基于 2015-2019 年空气质量指数日报资料及同期气象要素资料, 利用空间自相关模型和皮尔逊相关系数对其相关性进行了分析。研究表明: (1)对于 PM2.5、PM10 和 O3 这三大被研究的首要污染物, 在冬季主要以 PM2.5、PM10 为主, 夏季以 O3 为主。除 O3 外其余污染物浓度呈现下降趋势。(2) 空气质量指数 (AQI) 呈现秋季最低、冬季最高的变化特点, 年际上空气质量在逐步改善。(3) AQI 存在明显的空间集聚现象, 总体上由沿海向内陆逐渐由空气质量优良区变为空气污染区。(4) AQI、PM2.5、PM10 和 O3 在不同季节与各气象要素的相关性不同, 且相关性强度呈非线性变化。