大气环境模型具有模型相对复杂、模型参数多的特性。由于有部分参数来源于实测,其实测时间和地点的不一致性,导致了参数存在较多的不确定性因素,影响了大气环境模型的预测精度和准确度。因此采用一定的科学方法,在参数的取值范围内对大气模型的众多参数进行优化以求取其最优值,减少参数的不确定性并降低模拟误差成为当前一个重要的研究方向。参数识别问题由此应运而生,并成为模型构建过程中的重要一环,其方法一般是利用观测数据进行反推,对模型的各个参数进行估值和率定。　　 本文研究开发了基于智能算法的大气环境模型参数优化技术。该技术以逆向识别为指导思想,通过不断缩小实际观测值与模拟值之间的差值来优化模型的参数,与传统的优化方法相比,该方法具有应用简单、不需要函数梯度等附加信息、使用范围不受到任何限制等诸多优点。通过对多维多箱模型的优化实验,验证了该技术的可行性,探讨了智能算法中各种算子的相互影响,对各种优化方案的效果进行了比较,确定引入自适应算子是克服优化过程过早收敛的有效方案。　　 在空气质量模拟中,高质量的气象场非常重要。本文应用上述的参数优化技术对MM5模式的地表粗糙度参数进行了优化。实验结果表明北京市的地表粗糙度存在较大程度的低估。通过修正城市下垫面粗糙度值使得气象模式的模拟结果有较好的改进,市区近地面风速与优化之前相比有一定程度的降低,模拟值与观测值更为接近；通过修正城市下垫面粗糙度值对于空气质量模式的模拟结果也有较好的改进,市区PM10模拟浓度与优化之前相比有一定程度的提升,模拟值与观测值更为接近。　　 污染源清单是空气质量模式的重要输入参数,其准确性是影响数值模拟效果的又一个重要因素,源清单的不确定性将极大的影响模型输出的准确性。本文应用所开发的大气环境模型参数优化技术,对污染源清单优化进行了研究,虚拟数据和真实数据的实验均表明这套系统具有优化大气环境模型污染源清单的功能。此系统用于2002年北京地区PM10污染源的优化,研究表明2002年北京市PM10污染源存在低估的情况,四个代表月的污染源排放速率平均需要提升62.7％。优化后的源清单用于模式模拟,使模式误差平均降低6.46％,表明智能算法用于大气环境模型源清单优化有效而且很有发展潜力。　　 源解析技术利用各种源的特征(不同污染源排放的颗粒物各有其特征),找到源与颗粒物之间的关系,估算污染源对颗粒物质量浓度的贡献。本文开发的污染源清单优化技术提供了一种根据污染物质量浓度监测值反推污染源的方法。两种方法都是在探讨污染源和污染物浓度的定量关系,因此存在结合的可能性。　　 本文提出了利用源解析结果进行污染源清单精细优化的思路,将源解析技术计算出的各行业源对环境浓度的贡献值作为观测数据来进行各行业源的优化,取得了明显的效果。机动车排放提升幅度最大,各代表月分别提升79％,61％,42％和98％；土壤尘提升幅度次之,各代表月分别提升31％,52％,46％和1％；建筑水泥尘提升幅度第三,各代表月分别提升16％,49％,16％和2％；燃煤排放提升幅度最小,各代表月分别提升8％,19％,19％和3％。相比于总体源优化,分类进行污染源优化得到了更加细致的结果,污染源的空间分布更加合理,与实际情况更为符合。　　 本文研究为今后大气环境模型诸多参数的优化打下良好基础,其成果对于大气环境质量的有效预测预警、以及空气质量的达标管理具有实际应用价值。