近年来,空气污染越来越严重。其中对空气质量污染贡献最大的当属PM2.5。各地政府部门以及环保部门面临的大气污染防治的形势越来越严峻,尤其是京津冀地区的大气环境污染现状尤为突出。如何对京津冀地区的大气质量进行防治已成为全国瞩目的焦点。治理京津冀地区的大气环境污染问题,改善空气质量。了解并掌握大气环境中各种污染物的时空分布变化特点以及分布规律,分析京津冀地区PM2.5浓度的时空变化规律,研究合理的PM2.5浓度预测模型。本文利用GIS空间插值分析的方法,对比分析了研究区2015年至2018年PM2.5浓度的时空分布特征,并以其中北京顺义新城空气监测站点为例结合长短时记忆神经网络模型对PM2.5的浓度进行了0~72h预测。本文主要研究工作如下:(1)本文通过对2015~2018年研究区PM2.5浓度季节性时空变化特征经行分析得出结论:京津冀地区PM2.5浓度分布随着时间的增加,PM2.5浓度最大值均有所减少,污染空间影响范围缩小;不同季节的污染程度和污染范围:冬季>秋季>春季>夏季;相同季节的PM2.5高值分布范围特征没有明显差别;从空间分布看,研究区PM2.5浓度从低到高为:北部>中部>南部。(2)本文对2015~2018年研究区各种污染物浓度之间的相关性以及各种气象条件与各种污染物浓度之间的相关性进行了分析。分析表明:AQI与PM2.5、PM10的相关系数均通过P<0.01的显著性水平检验,与PM2.5、PM10浓度呈显出强正相关性,相关系数分别为0.877、0.947,即PM2.5、PM10是对空气质量(AQI)的影响最大,是决定性污染物。(3)分析了2015年至2018年各污染物浓度之间的相关关系以及各气象因子与各污染物浓度之间的相关关系,得出AQI、PM10、SO2、CO、NO2、O3、气压、风速、风向、温度、相对湿度、降水分别与PM2.5的相关系数。可以发现,在5种污染物之中,PM10、CO、NO2与PM2.5浓度之间的相关性相关系数最大,即相关程度更紧密。在6种地面气象因子中,地面气压、温度、相对湿度、2分钟平均风速与PM2.5浓度之间的相关系数相较于2分钟平均风向和降水表现最大,即相关程度更紧密。(4)模型输入数据以2015~2018年北京顺义新城(站点编号为1008A)空气质量监测站点的各项污染物逐小时浓度以及在空间距离上距离其最近的各气象监测站点的逐小时气象因子的平均值。结合长短时记忆神经网络模型建立了多输入因子、单一输出的PM2.5浓度预测模型,并对北京顺义新城空气质量监测站点的PM2.5浓度进行了0~72h预测,对预测结果与实际值进行了精度验证。研究结果表明,该模型能以较高的精度对单站点的PM2.5浓度进行预测。