随着工业化和城镇化进程的快速推进，人类活动所产生的大量有害物质排放，导致了严重的城市环境污染事件，尤其是石油化工园区内的重污染空气问题备受关注。化工园区高能耗、高排放、高污染企业较多，对本区域空气质量影响程度较大，幸运的是，现有石油化工园区中企业均已安装了较完善的污染物排放监测系统，排放数据超标时可以进行预警;遗憾的是，获取的大量原始监测数据与园区大气污染状况的不能直接关联，数据的分析和处理能力不佳导致信息过载严重，很难在后续应急管理过程中发挥作用。如何识别空气重污染的特征状态，并根据化工园区企业污染物排放数据对周边区域的重污染趋势进行合理预测，构建一套独立于监控站点的高精度、易用性强的化工园区大气污染预测系统，对园区企业排放的实时管控与政府提前进行城市环境危机应急决策具有重要意义。
　　本研究基于信息融合技术，构建化工园区大气污染预测系统框架，初步建立了特征处理与多模型融合的方法和技术体系。首先进行化工园区大气污染的情景分析，分析获取影响污染事件的特征因素，构建化工园区大气污染的灾害链，对园区不同大气污染事件进行相应分析，模拟事故情景，为特征提取提供数据来源;进而依据环境空气质量指数AQI的计算说明，针对园区不同类型的大气污染，设计不同的特征处理方法进行化工园区大气污染的特征层融合，提高特征融合的预测精度;最后开展了化工园区大气污染的决策层融合，在单模型特征融合的基础上，提出了一种基于多模型融合Stacking集成学习的预测方法，以增强决策层融合的可靠性。具体开展研究工作如下:
　　(1)基于信息融合的化工园区大气污染预测系统框架研究。分析影响化工园区环境污染的特征因素，提出基于信息融合的化工园区大气污染预测系统框架。建立了化工园区大气污染预测系统架构中基于信息融合的特征处理与多模型融合的方法和技术体系，为化工园区大气污染预测提供了技术支撑。介绍了该架构的主要构成、功能、关键技术，应用流程及相较于传统大气污染预测系统架构的优势所在。
　　(2)化工园区大气污染的情景分析。首先，针对应急领域事件的发生和演变机理的复杂性，以及事件具有情景依赖等特点，构建化工园区环境污染的灾害链;随后针对常规性化工园区企业排放引起的大气污染事件和突发性（火灾、泄漏和爆炸）污染事故的情景进行相应分析，模拟事故情景，预测污染源对环境的影响大小、影响程度和影响范围，为特征提取和污染应对的解决方案提供数据来源。
　　(3)基于特征融合的化工园区大气污染预测。通过特征筛选分别针对常规性/突发性污染，提出了一种基于特征融合的化工园区大气污染影响预测的方法，并用于化工园区大气污染的特征变量处理。首先，针对由多特征共同作用的常规性大气污染情况，通过影响因素的相关度分析，建立主要影响特征变量，即温度的融合加权方法，应用神经网络对大气污染进行预测时，温度特征经过累积效应的加权修正可以有效提高常规性大气污染特征融合的短期预测精度。其次，针对由单特征显著主导的突发性大气污染情况，通过高斯烟羽模型计算单特征污染物的扩散结果，进而基于蚁群神经网络的特征融合预测污染状况。结果表明，提取特征之间的关联，对主要特征变量的加权处理法可以有效提高特征层信息融合的质量，并为决策层融合提供了特征来源。
　　(4)集成学习策略下的化工园区大气污染预测。首先，针对不同算法的数据观测和训练原理的差异，单一模型固有的局限性，提出一套基于Stacking集成学习策略处理多源流、大体量、多特征数据的化工园区大气污染预测框架进行决策层的融合;其次，根据化工园区企业污染物排放对周围居民区域的重污染事件的影响趋势进行合理预测，验证了Stacking策略决策融合的可靠性;进而，为了获得最佳的预测效果，进一步探索了Stacking选择策略，结果表明Stacking策略下的预测结果与单模型预测结果对比有统计学意义上的显著性提升，且初级模型选择强学习器，次级学习器为线性模型效果最佳。最后给出基于DCS的治理方案，为政府部门提供了化工园区大气污染缓解措施和空气质量控制的数据解释。
　　总而言之，基于信息融合技术，本文主要从特征层融合和决策层融合开展了化工园区大气污染预测研究，所构建的独立于监控站点的高精度、易用性强的大气污染预测系统，对化工园区重污染事件的发展趋势进行了准确合理的预测，实现了有限监测力量的合理、及时和动态管控。环境污染事件的决策主体通过预测模型能够实时掌握园区大气污染的动态变化规律，排查突发事件隐患，是应对城市环境危急状况的重要手段，对于保护人民身体健康和促进社会和谐稳定具有重要的科学价值和实际意义。