随着经济的快速发展,我国工业化和城市化进程不断推进,由此引发的环境问题也日益显著。空气污染作为环境污染治理中一个难以解决的问题,对人们的生产、生活、健康等方面都造成了严重影响。在此基础上,开展空气质量预测工作能起到有效的预警作用。然而,现有的空气质量预测研究大多忽略空气质量与环境数据间的相互影响且对时空关联特征提取不充分,预测精度较低。针对这一问题,本文利用统计分析、空间分析等方法探索成都市空气质量的时间变化特征与空间分布特征,并基于成都市15个空气质量监测站点的污染物数据联合气象数据构建LSTM-CNN时空预测模型,对空气质量预测开展深入研究。主要工作如下:1)多个时间尺度分析成都市空气质量时空演化特征。时间上来看,成都市空气质量逐年改善,季节效应显著,日间不同时刻下污染物浓度呈波浪形分布。疫情爆发期各空气污染物变化最为显著,PM2.5、PM10、、、CO浓度较2019年同期下降明显。空间上看,各站点污染物浓度具有高度相关性,秋冬季节表现为西北到东南方向递减,春夏季节西北到东南方向逐步增加,城市中心人口和车辆密集,空气最差。行政区划中金牛区、成华区等靠北边的区域平均浓度高于市区均值2)构建基于LSTM-CNN的PM2.5预测模型,以2020年成都市15个监测站点的逐时空气污染物数据和气象数据进行实证分析。结果表明,LSTM-CNN模型在PM2.5浓度预测中表现出了良好的性能,其1h均方根误差和平均绝对误差分别为9.896和6.537,1-6h预测R~2均值为:0.92,0.87,0.85,0.76,0.67和0.55,预测精度随着预测时间的增加而降低。3)模型对比。将该模型与LSTM、RNN、GRU等模型在不同时间尺度下进行PM2.5预测效果对比。实验结果表明,LSTM-CNN模型在空气质量预测中特征提取更加全面,预测精度更高。