哈尔滨是一个冬季采暖时期长,春季伴有扬沙天气,空气污染比较重的城市之一,因此充分利用气象观测数据,开展基于BP神经网络和卡尔曼滤波的空气污染指数预报技术研究,对治理改善环境、规划城市、提高空气质量预报具有很大意义.首先,介绍了哈市空气污染指数的指标确定和气象因子的分析选取.通过对大量的观测事实和气压形势场、相对湿度(高空露点温度)、气温、风速和大气的稳定性在内的气象因子的统计相关分析,找到各气象因子对空气污染物的PM<,10>、SO<,2>和NO<,2>浓度扩散程度的影响规律,并发现在不同季节、不同时期,地面和高空气象因子作用是不同的;通过分析研究了三项主要污染物逐日数据与气象条件的变化关系,以及对相关气象要素因子进行分析,确定了选取的预报因子.然后,重点研究了几种污染指数预报的方法:一是研究了基于人工BP神经网络的预报方法,该方法的关键是学习算法和网络模型的建立.该文综合考虑网络的逼近能力和泛化能力,确定最佳的网络结构用于污染指数的预测;二是研究了基于卡尔曼滤波的预报方法,该方法的关键是预报方程的建立、方程参数的计算,以及递推系统流程的设计.用BP神经网络和卡尔曼滤波这两种方法预报空气污染指数,通过对实验结果分析和检验,证明可以运用到业务上.为了增强重污染警报发布的准确率,又进行了污染潜势分析加权订正,通过关键因子计算、权重指标的分级加权,预报结果订正,结果表明,对3级以上重污染预报准确率很高.最后介绍了整个系统的数据流程和菜单模块功能,以及BP神经网络和卡尔曼滤波方法的算法实现过程.