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。