当前土地利用回归（land use regression,LUR）模型模拟NO₂和PM₁₀空气污染物浓度分布的研究中,缺乏对LUR模型中缓冲区类型的影响、气象要素在LUR模型中的应用和提高LUR模型中时间分辨率方法的深入探索,致使模型不能解释气象因素对污染物的影响程度,严重阻碍了LUR模型模拟精度高、使用范围广和空间分辨率高等优势的发挥,难以为决策人员和研究人员提供完备、准确和精度高的NO₂和PM₁₀浓度数据。本研究对此以长沙市城区2010年NO₂和PM₁₀季度平均浓度和2013年4月至2014年4月的日平均浓度模拟为例,基于常用的土地利用变量和气象要素变量,构建了不同缓冲区类型的LUR模型、气象因子回归（meteorological factors regression,MFR）模型和反向传递神经网络（back propagation neural network,BPNN）模型来模拟NO₂和PM₁₀浓度的时空分布。研究结果表明:不同特征变量对NO₂和PM₁₀浓度的贡献率差异较大,其中主要道路长度、居住面积和公共设施用地面积变量对污染物的影响较大,表明空气污染物的空间分布与交通状况和人类的活动密切相关。变量对污染物浓度的影响随空间尺度的变化明显,1200米缓冲区内的土地利用类型变量对污染物的影响较大。基于相同建模流程和相同土地利用类型变量构建的圆形缓冲区土地利用模型与半圆形缓冲区土地利用模型存在较大差异,相对而言,半圆形缓冲区模型的决定系数要高于传统的圆形缓冲区模型,拟合效果要明显优于圆形缓冲去模型。这表明,在LUR模型中,通过引进风向将传统的圆形缓冲区划分为两个半圆形的缓冲区的方法是可行的。基于气象要素特征变量构建的气象因子模型和BP神经网络模型中,对污染物影响较大的气象变量包括温度、风速、云量和霾出现的概率。BP神经网络模型预测的污染物浓度与实际监测的污染物浓度的相关性要明显高于MFR模型,这表明在模拟NO₂和PM₁₀浓度的时间序列分布上BPNN模型的模拟效果要优于MFR模型。