随着中国城镇化建设的迅猛发展,空气污染已成为当前社会倍受关注的问题。大气颗粒物PM2.5作为最重要的空气污染物,对人们正常的生产、生活以及工作带来了不良影响,同时对人们身体健康造成了危害。因此对PM2.5进行科学有效地预测能够让人们提前做好防护措施,避免或者减少对人体的危害。因此PM2.5研究已成为非常重要的课题,本文紧紧围绕成都市六个监测点污染物数据展开研究。首先本文利用PM2.5日均浓度,绘制浓度时序图,发现成都市PM2.5多在春冬季节发生。接着计算六个监测点的莫兰指数,发现在不同月份成都市PM2.5之间存在显著的正空间相关性,其中16个月通过显著性检验,呈现明显的聚集格局;在空间回归分析中,模型通过相关性检验,说明空气质量指标变量、风速、温度都对PM2.5浓度有显著影响。接着采用支持向量回归和神经网络对污染物浓度进行时间预测。初始模型预测结果存在一定误差,同时模型对浓度的估计趋于保守,对于个别较大或较小的浓度值预测误差较大。但在模型都加入空间因素后,模型效果有显著提高,也从侧面证实,成都市污染物确实存在空间上的相互影响。采用径向基神经网络预测结果误差相对支持向量机更小,对成都市市区总体的污染浓度预测的均方误差在10左右。最后采用空间插值法和高斯扩散模型对污染物浓度进行空间预测。由于本文仅收集到六个监测点的污染数据,因此我们采用反距离权重法进行空间插值,预测空间中其余污染源点的初始污染物。接着采用高斯扩散模型,模拟污染突然一小时后,整个空间污染物扩散情况。结果表明沿着下风向污染物浓度呈上升趋势,同时城市中部由于地势原因,污染物难以扩散,因此形成污染高发地段。