民航运输量的增加在给出行带来巨大便捷的同时,也对环境造成了不可遏制的影响。本文聚焦于航空器污染物的排放问题,结合大数据分析的手段,在基于航空器ADS-B历史航迹数据的基础上,综合分析飞行全过程的燃油消耗和污染物排放计算、终端区航迹温室效能评估以及扇区污染物排放量短期预测等重点问题,为进一步推进民航绿色发展、实施节能减排的措施提供理论依据。首先,研究了基于ADS-B数据的航空器全航迹的燃油消耗和污染物排放。通过对ADS-B数据的降噪处理以及飞行状态的识别,构建航空器四维飞行剖面。针对不同飞行阶段,分别采取基于LTO循环的排放清单和BADA性能模型的测算方法,在非LTO阶段同时考虑外界环境对燃油流率和排放指数的影响,采用BFFM2算法进行修正,最终计算出全航迹的燃油消耗量和污染物排放量。以南京-香港的历史ADS-B数据作为案例进行分析,采用QAR数据进行验证算法的准确性。其次,研究了基于谱聚类算法的终端区航空器轨迹的温室效能评估。通过改进传统欧式距离度量需要等长处理轨迹序列以及K-means初始聚类中心选择的随机性,提出基于DTW距离的轨迹相似性度量和K-means++聚类结合的谱聚类算法。在轨迹聚类结果的基础上,根据全球暖化潜势GWP的指标定义,将不同污染物排放量转化为当量CO₂,建立终端区内航空器轨迹的温室效能评估模型。以广州终端区为案例分析,比较不同相似性度量方法和聚类算法的选取对进场轨迹聚类效果的影响,并评估广州终端区轨迹的整体温室效能。最后,研究了基于KNN-LSTM算法的扇区污染物排放量短期预测。通过考虑扇区网络拓扑结构的时空特性,提出K近邻算法和LSTM结合的扇区污染物排放时空预测模型。采用基于DTW的时序相似性度量比较扇区之间的空间相关性,同时将过去时刻的排放量数据作为模型的输入,以此考虑扇区内部的时间相关性,通过不同的时空参数组合来训练模型,以测试误差最小时的参数选择作为最终的模型输出。以华东区域扇区为例,采用LSTM、BP神经网络、SVR算法进行对比分析,预测其短期排放量的演变特征。