为进一步提高站点气温的预报精度， 增强对极端气温的预报能力， 本研究利用2017 -2019年江西省91个国家站地面观测数据和ECMWF模式高空和地面预报数据， 基于LightGBM机器学习算法和MOS预报框架， 建立了江西省24 h国家站日最高（低）气温预报模型。2020年评估结果表明： LightGBM模型日最高（低）气温预报和观测变化趋势一致， 年平均预报效果优于ECMWF、 CMA-SH9、 CMA-GFS三家数值模式、 RF和SVM两种机器学习产品以及主观订正产品。从预报误差的时空分布来看， 模型冬、 春季日最高（低）气温预报误差略大于夏、 秋季； 日最高气温预报误差呈现“南大北小、 周边大于中心”的空间分布特征， 日最低气温则与之大致相反。从重要天气过程来看， 在高温过程中， LightGBM模型在七种产品中预报效果最优； 在强冷空气过程中， LightGBM模型预报效果仍优于三家数值模式产品和另外两种机器学习模型， 但日最低气温预报效果不如主观订正产品。针对强冷空气过程中低温预报误差进行简单经验订正后， 模型低温预报效果与主观订正产品接近。模型重要性分析显示临近地面观测特征对模型建立也有较大贡献， 该结果可以为模式改进和气温预报产品研发提供参考。目前， LightGBM模型气温预报产品已应用于江西省气象业务。

基于2020 -2021年的中国气象局（CMA）陆面数据同化系统（CLDAS）逐小时地面气温（T2m）产品， 融合CMA上海快速更新循环数值预报（CMA-SH3）的T2m预报数据， 构建深度学习语义分割模型（MT-Cunet）， 实现逐小时滚动更新的24 h T2m网格预报， 并对2022年预报结果进行了检验评估。结果表明， 在研究范围内， MT-Cunet在3~9 h时效订正效果最好， 平均MAE和平均RMSE分别降低42.4%、 40.89%； 10~24 h时效的订正效果较好， 平均MAE和平均RMSE分别下降26.7%、 26.3%。低温（≤0 ℃）和高温（≥35 ℃）事件检验评估表明， MT-Cunet在高温预报整体表现为正偏差， 而低温整体为负偏差， 但误差幅度远低于CMA-SH3； 空间尺度上， MT-Cunet能较大幅度减少复杂地形下的T2m预报误差， 降低CMA-SH3的MAE离散度， 使预报误差分布较为稳定。通过对2022年2月和3月的区域性增温、 寒潮过程分别进行检验评估发现， MT-Cunet能较好预报出增（降）温转折时间和增（降）温幅度。在增温和寒潮过程中， MT-Cunet的MAE比CMA-SH3分别降低28.9%和33.8%， 表明MT-Cunet模型在转折性天气过程中同样具有较好的预报能力。因此， 利用可以快速增加预报样本数量的快速更新循环数值预报， 经过语义分割深度学习模型客观方法订正， 就能较大幅度降低数值模式预报误差， 解决常规数值预报由于数据量太少， 深度学习训练效果较差的问题， 这对充分利用国产模式资源， 更广泛地开展国产模式后处理和应用提出了一个新的思路。

延伸期预报准确率较低的问题仍然是目前重要的科学难题， 做好延伸期预报对防灾减灾具有重要意义。本文利用机器学习方法开展了中国夏季降水延伸期（5~30天）预报试验， 并探讨了土壤湿度对降水延伸期预报的可能贡献。结果表明机器学习方法的预报结果准确率要比传统线性模型方法有较大改善， 且在诸多机器学习方法中， 以Catboost， Lightgbm和Adaboost三个机器学习模型为最优。进一步分析发现长江流域表层土壤湿度异常导致的蒸发异常和感热异常， 能够引起大气环流和垂直运动异常， 最终对夏季降水产生影响。使用三个最优的机器学习方法的集合计算出模型中各个预报因子的贡献率， 发现在长江流域的延伸期降水中， 局地土壤湿度主要在5~10天占主导作用， 而前期降水主要在10~15天占主导作用， 长江流域20~30天的延伸期降水基本上受到大尺度环流控制。还评估了非局地土壤湿度在延伸期降水中的作用， 发现中南半岛表层土壤湿度主要对15~30天的长江流域延伸期降水有重要贡献。将中南半岛表层土壤湿度加入到东北地区延伸期降水模型中， 发现对该地区延伸期降水预报准确率并无提升作用， 验证了机器学习模型的可用性。该研究为延伸期降水预测以及探究预报因子贡献率提供了一定的参考。