模式输出统计（model output statistics，MOS）法（Glathn和Lowry，1972）是数值天气模式（numerical weather prediction，NWP）释用中的常用方法，在气象要素预报订正方面得到了广泛应用（薛志磊和张书余，2012）。本文以长沙站为例，提出了一种基于随机森林和模式输出统计（random forest-based model output statistics，RF-MOS）的气温预报方法。利用2017–2020年的ECMWF-IFS（European centre for medium-range weather forecasts integrated forecasting system）预报资料，综合考虑天气学先验知识和统计学相关性指标（朱乾根等，2007；陈锦鹏等，2021），选取了5个地面要素（2米气温、2米露点温度、10米经向风、10米纬向风和海平面气压）与15个高空要素（500hPa、700hPa和850hPa的气温、相对湿度、经向风、纬向风和位势高度）。采用RF-MOS方法，对长沙站逐3h气温和逐24h最高/最低气温进行建模，并用2021年的数据进行测试检验。主要结论如下：（1）基于RF-MOS的气温预报模型的逐3h气温、逐24h最高气温、逐24h最低气温的≤2℃准确率分别为85.26%、80.59%和90.84%，平均绝对误差（mean absolute error，MAE）分别为1.115、1.251和0.890，均方根误差（root mean square error，RMSE）分别为1.507、1.657和1.215，较数值模式预报、传统客观方法预报和预报员主观预报均有较大提供；（2）对比实验显示，分时次建模比整体建模可以达到更好的预报效果，并且在预报模型中加入模式0场气温要素偏差量、模式前后预报时次气温要素均有一定的提升；（3）对2021年11月7日的一次大幅度降温个例进行检验显示，逐3h气温和逐24h最高/最低气温都表现出较好的预报能力。RF-MOS方法在气温要素预报中的应用具有可行性和一定的优势，可为预报预警与决策服务提供重要技术支撑。

 

随机森林（random forest，RF）,模式输出统计（model output statistics，MOS）,气温预报,ECMWF-IFS,模式释用