随着我国的经济的高速发展,交通规模不断扩大,城市人口持续膨胀,越来越多的工业开发区建设完成,现代化的进程给大气环境造成了前所未有的压力。目前,以二氧化硫、氮氧化合物、颗粒物等为主要污染物的大气污染问题越发严重,对于南京地区,较为严重的空气污染,更是2014年南京"绿色青奥"最大的潜在威胁。为了能够更好地掌握大气污染物变化规律,对可能发生的空气污染事件提前采取防范措施,更有针对性地控制和防止污染,开展空气污染预测的研究具有重大的意义。目前空气污染预测以统计预测和数值预测为主。我国采用统计预测的方法,该方法建立在预报区域内污染排放、气象和空气质量平稳的基础上,依赖大量监测资料,对变化不敏感,准确度低。而数值预报是建立在大气模式的基础上,结构庞大,需要复杂的动力学、物理、化学知识,并且对气象、污染源、城市地形下垫面等多种条件有很高的要求,预测难度大,模型的研发费时。针对气象环境自身的多变性、以及传统预测方法难以从历史数据中充分挖掘有用信息等缺点,本文研究的主要内容包括:1.提出一种基于BP神经网络的污染物预测模型。通过污染物浓度变化规律与已有的环境学理论基础,提出利用前一日24小时的污染物浓度对次日污染物浓度进行预测。本文针对南京污染物浓度数据,详细讨论模型结构与参数的选择,对BP神经网络存在的缺陷进行改进。构建后的预测模型对南京地区污染物预测效果良好。2.对提高预测精度的方法进行探索。提出一种基于Kohonen神经网络的污染物数据分类方法,对原有数据进行自组织分类;提出一种加入气象因子的改进预测方法,该方法利用PCA对南京气象监测数据提取出3个主成分因子,加入到原有的BP神经网络中。最终结果表明上述方法提高了预测精度,筛选后的气象因子提高了模型的预测与泛化能力。3.将本文研究的成果与国家863项目背景--"环境云"相结合。分析了"环境云"基于PaaS和DaaS的云计算技术架构,最后展示本文构建的模型在该平台上的运行效果。预测模型在该平台的成功应用表明了该模型的可用性、通用性和有效性,也证明了 "环境云"对环境领域的数据分析带来的创新与变革。