近年来我国在空气污染治理方面取得了日新月异的变化,空气网格化监测在污染治理方面发挥了积极作用。然而,网格化监测所采用的大量小型化监测设备存在测量误差大、设备异常状况多、时间漂移和环境突变不易检测的局限性。与此同时,大规模的环境监测历史数据所蕴含的潜在价值还未得到有效挖掘。通过历史监测数据校准小型化监测设备所导致的局限性是亟待解决的关键科学问题。针对这一科学问题,本文开展基于证据推理理论与模糊认知图的空气质量监测数据校准算法研究,具体研究内容包括:(1)针对空气污染物相关关系难以捕获,空气质量监测数据样本稀疏问题,提出基于模糊认知图的空气质量监测数据预测算法。首先利用移动传感器的历史监测数据生成初始的模糊认知图。其次,根据实数编码遗传算法的全局搜索特性,结合误差函数动态优化模糊认知图。最后,依据构建的空气质量数据预测模型结合模糊认知图的推理机制,实现对空气质量数据的预测。实验结果表明,该方法能够实现空气质量监测数据的精准预测且相比其他算法时间复杂度更低,同时为空气污染的防控提供了技术支撑。(2)针对目前空气质量数据校准工作中存在的监测数据漂移,校准基线不合理问题,提出基于模糊认知图和证据推理的移动环境监测数据集成校准算法。首先,采用证据推理理论对多个移动传感器生成的最优模糊认知图进行融合,生成更高层次的模糊认知图集成模型。其次,结合集成模型和模糊认知图的推理机制生成低成本传感器的监测基准。最后,通过量化单一模型与集成模型之间的差异性来检测异常数据,然后采用基准数据替代异常数据从而实现移动传感器数据的自校准。该模型能够在脱离专业站点的监督下,实现空气质量异常数据的分段校准,为空气污染的治理提供了可靠的数据保障。