第二届未来大气科学论坛

可靠的季节降水预测是防灾减灾的关键支撑，能有效降低旱涝灾害经济损失，而夏季降水受多因子综合影响、非线性特征显著，预测仍具挑战。机器学习凭借数据挖掘与非线性处理优势，在季节降水预测中应用广泛、效果突出。本文提出一种基于经验正交函数（EOF）的季节预测误差订正改进方案，核心是将机器学习融入 EOF 时间序列订正过程。研究采用国家气候中心气候系统模式（BCC-CSM） 2001-2025 年夏季（6-8 月）降水回报数据，构建 XGBoost 预测模型，并与线性（LR）模型及 BCC-CSM模式对比。结果表明，XGBoost 模型通过捕捉关键主成分后预测效果显著优于传统线性模型与原始BCC-CSM动力模式，2021—2025 年夏季降水预测的距平相关系数（ACC）由 BCC-CSM模式的 0.13 提升至 0.28，预测评分（PS）由 72.02 提升至 79.36，为提升季节降水预报提供了有效技术参考。
 

机器学习；夏季降水；XGBoost；降水预测