信息科学作用于环境灾害预测与评价是当前的一个研究热点。考虑到人工神经网络具有的强大的非线性逼近能力、容错能力和小波分析的局部特征分析能力，本文通过建立小波-BP神经网络模型，应用1951年～2006年济南市单站气温资料滚动预测了2003年-2007年平均气温，并应用区域自动气象站2007年逐时气温观测资料分析了济南城市热岛的时空分布特征，结论如下：　　 1．对比预测的2003年-2007年平均气温与实际数据，结果显示，通过建立小波-BP神经网络模型，能够通过温度序列数据预测未来温度，但存在一定误差。　　 2．通过bior1．1小波变换进行分解，利用BP神经网络分别对各尺度域上的小波序列对济南气象观测站1951-2006年的年平均温度序列数据进行建模和预报，然后综合各子序列的预报，进行小波重构，生成最终年平均温度预报。小波分解明显的提取和放大了原始信号的局部特征，能更好地提高神经网络的预测精度。与实际数据对照，该方法有效。　　 3．应用1951年～2006年济南市单站气温资料研究了济南地区气温的年代变化特征。从年平均气温来看，济南市气温自1951年以来呈明显上升趋势，90年代是50余年来增温最显著和最暖的10年，平均每年比80年代增温0．5675℃。应用1971～1998年28年观测资料，对济南市城市热岛效应的年、季、月的时间变化特征进行统计分析发现，济南市热岛效应有逐年增强的趋势，80年代和90年代增强最大，平均每5年增温0．3℃。　　 4．应用区域自动气象站2007年逐时气温观测资料分析了济南城市热岛的时空分布特征。结果表明，无论春、夏、秋、冬，济南的城市热岛在空间分布上均以泉城广场、市政府为中心呈环状放射发展。由于济南市区东部平坦开阔，发展很快，城市热岛逐步向东部扩展，热岛中心有呈东西条状发展的趋势。热岛强度以冬季最强，秋、春季次之，夏季最弱。济南热岛日变化规律是夜间大于白天，日变化幅度冬季大于夏季。城市热岛以日为周期呈规律性变化，表现为快速形成、快速消失的现象。城市热岛在太阳落山3～4小时内即可达到最强，随后维持少变；太阳出来后迅速减小，2～3小时内减到最弱。　　 5．城市热岛效应的分析通过与GIS结合，能更好的反映城市热岛效应的分布特征，更详细的了解各个区域的热岛情况。　　 6．未来研究的重点要加强站点建设，合理规划站点，结合遥感资料进行热岛监测和分析，对城市规划提出建议；构建数学模型，对未来温度数据进行更加精确的预测。