近年来,降水引发的洪涝灾害频发,定量、定时、定点的降水预报显得尤为重要。数值预报是我国中短期降水预报的主要方法,但是数值预报模式输出的降水量往往与实际情况存在偏差,需要对数值预报产品进行偏差订正。然而传统方法通常都是基于线性相关分析挑选预报因子,再在线性相关的基础上建立预报模型,对于降水这种高度非线性的问题往往难以得到令人满意的预报效果。本论文主要研究机器学习对数值预报模式降水产品的偏差订正。首先基于银河全球谱模式预报数据构造再预报数据集;然后利用随机森林对降水预报因子进行重要性评估,挑选出最合适的预报因子;其次通过机器学习方法对大量训练数据进行学习,建立预报因子与逐3h降水量之间的晴雨分类模型、降水等级分类模型以及降水量回归模型;最后对逐3h降水量预报进行偏差订正。主要工作如下:1、构造了训练数据集并研究了基于随机森林的降水预报因子选取方法,利用随机森林对预报因子进行重要性评估,挑选出最合适的预报因子。模式数据选择观测站附近的四个网格点预报数据,不再将其插值到观测站点上,这样既避免了站点预报场插值计算的不准确,同时也考虑了站点附近天气过程的影响。2、研究了基于机器学习的降水预报产品偏差订正方法,利用随机森林、支持向量回归和长短期记忆网络方法通过对大量训练数据的学习,建立预报因子与逐3h降水量之间的晴雨分类模型、降水等级分类模型以及降水量回归模型,从而得到更加准确的逐3h降水量预报。本文选择了安徽省黄山市的屯溪站进行实验,以2017-2019年的逐3h降水观测作为标签,银河全球谱模式相应的格点预报数据作为预报因子。实验结果表明机器学习方法的逐3h降水量预报结果较模式输出降水量和多元线性回归方法的预报结果更好,尤其是对于强降水的预报,在均方根误差和降水预报业务评价指标上均表现良好。3、研究了低分辨率偏差订正模型对高分辨率数据的偏差订正适用性。再预报数据集的构造需要非常大的计算资源和存储开销,为了减小再预报数据集构造的计算资源和存储开销,同时为了使低分辨率偏差订正模型适用于高分辨率数据的偏差订正,在构造数据集时,需要对低分辨率数据进行基于机器学习的空间插值提升其分辨率,进而改进偏差订正的效果。本文设计了基于高斯过程回归的空间插值算法并以海表面温度进行实验验证,实验结果表明该算法的均方根误差比最近邻、双三次和双线性插值法更低,更能有效地提升数据的空间分辨率。