近年来,中国持续快速发展,城市化和工业化进程加快,能源消耗大幅度增加。同时也给中国城市带来了各种各样的城市空气污染问题,使得我国空气污染严重程度在全球范围内居高不下。给城市居民带来了严重的健康问题,如心血管和呼吸系统疾病。许多学者在对城市空气污染物浓度时空特征进行研究时,发现城市内部的空气污染往往与该地的自然条件、经济发展、交通状况和人口密度等因素有关。为了更好地衡量城市内部空气污染物的异质性,并为流行疾病研究提供依据,土地利用回归模型（LUR）被提出。传统的土地利用回归模型只考虑固定不变的因素,如土地利用类型、道路密度、人口密度等因素,对污染物的影响。且该模型基于多元线性回归,无法捕捉非线性的变化特征。近年来,学者们尝试引入时间因素,如加入代表季节、月份、日期的虚拟变量,或为每个时间段构建独立的预测模型。但是这样的研究在中国还很少见。同时,机器学习以其在非线性预测的优异表现引起了学者们的注意。有一些学者开始将机器学习算法引入土地利用回归模型,并比较其与传统方法的效果差异。然而截至目前,这样的研究数量极少,由此可见其巨大的研究潜力。因此,本文希望利用中国上海的数据在该领域做一个尝试。将代表月份的虚拟变量和时变的气象数据引入土地利用回归模型,并应用了目前流行的两种机器学习算法。在模型构造前,对上海市空气污染时空变化特征进行了分析。以NO₂和PM_2.5为例,发现污染物浓度随月份、季节变化明显,并且具有西高东低、北高南低的趋势。这一特点与上海的地理位置相关,东南方向的清洁海风对城市内部的污染物有促进疏散的作用,而西北内陆方向其他省份传输的污染物则会导致上海西北地区空气质量的恶化。因此,选取了包括地理位置、气象因素、土地利用类型的影响因素,试图探索其对污染物浓度的影响情况。在计算Spearman相关系数后,选取了与污染物浓度相关性高的因素进入LUR模型。利用随机森林自动进行因素重要度排序后,选取了最重要的20个因素进入随机森林和AdaBoost模型。比较三种模型的R²可以得出结论:针对NO₂浓度的预测,随机森林好于其他两种模型;针对PM_2.5的预测,传统的LUR模型有优势。模型性能上的差别可能来源于过拟合或人为选取影响因素。因此在未来的研究中应对此进行探究。