大气温度变化与人类活动和社会生产密切相关,对大气温度进行精确预测可对预防气温造成的自然灾害提供重要依据。由于气象数据的爆炸式增长且存在时间跨度大的问题,单一的气温预测模型对海量气象数据下的气温精准预测还存在不足。随着深度学习的迅猛发展,组合模型预测法在提升气温预测精度方面更具有优势。卷积神经网络（CNN）模型可以对数据进行压缩整理,降低数据维度,从大量气象数据中提取气温信息中重要的局部空间特征;长短期记忆网络（LSTM）模型具有复杂的记忆单元,对长时间跨度的时间序列能保持良好的记忆,而且能充分考虑到气象数据的时间相关性,因此使用LSTM模型从气象数据中提取时序特征。本文提出结合二者优势而组成的深度卷积长短期记忆网络模型（CNN-LSTM）,利用气象因子来预测气温,以提升对海量、长时间序列温度数据的预测精度。论文利用2000—2020年气象数据建立CNN-LSTM模型,并与CNN模型、LSTM模型预测结果作了对比和精度验证;利用CNN-LSTM模型模拟2016年宁夏气温空间分布格局,并作了精度验证。主要结论如下:（1）CNN-LSTM气温预测模型的构建主要取决于结构参数的选取。对气温预测精度有较大影响的参数主要是训练集采样窗口长度、预测窗口长度、批处理参数、迭代次数和正则化优化,尤其加入正则优化后,预测实验收敛效果明显提升。（2）CNN-LSTM气温预测模型的精度高于CNN模型和LSTM模型。在选取的七天、十五天和一个月三个时间段CNN-LSTM模型R2较CNN模型分别提高了 0.2409、0.2691、0.2496,较LSTM模型分别提高了0.1978、0.1718、0.1425;CNN-LSTM模型平均绝对误差（MAE）分别降低了 3.27、3.21;均方根误差（RMSE）分别降低了 2.15、2.2。（3）CNN-LSTM模型空间模拟结果优于CNN模型和LSTM模型且基于CNN-LSTM模型预测宁夏年平均气温呈上升趋势。在对宁夏25个国家级气象站点的气温数据预测中发现,R2分布由高到低分别为CNN-LSTM模型、LSTM模型、CNN模型,且CNN-LSTM模型高精度区域范围明显扩大;CNN-LSTM模型R2插值结果发现,气温年变化幅度较小的区域预测精度更高。主要创新点如下:（1）构建了基于CNN-LSTM的气温预测模型。结合卷积神经网络和长短期记忆网络构建的CNN-LSTM气温预测模型不仅可以解决当前气象预测研究中因气象数据量大、提取特征信息难、对时间尺度信息深入挖掘难等难题,而且该气温预测模型可以综合提取时间尺度的特征信息和各类气象因子之间的相互关系,实验结果也表明CNN-LSTM气温预测模型较其他对比模型具有更高的预测精度。（2）将CNN-LSTM的气温预测模型应用到空间模拟与预测中。利用CNN-LSTM模型模拟宁夏区内各个国家级气象站点年平均气温,将模拟结果插值表现在全区范围内,可以对不同区域预测精度进行对比分析的同时也能体现气温预测模型的空间预测规律。