汛期的降水预测长期以来一直是我国气候预测的一项重点任务,关系到国计民生,也是气候学中的难点问题之一。目前业务中已有一些汛期降水预报的模型,但存在一定的偏差,难以较为准确地进行预报。本文针对我国汛期降水预报数据进行订正,主要利用已有历史数据建立模型预测降水,通过与实际观测数据对比,使用相关评价指标分析确定最佳订正模型。本文在归纳全国区域的汛期降水预报数据的特点与现状,引入并研究了机器学习在江淮流域(Yangtze-Huaihe River Basin)的汛期降水预报数据订正中的应用,总结了一种相对理想的算法模型,并拓展到全国区域的汛期降水预报数据的订正。主要研究内容包括:(1)详细的阐述了天气预报和气候预测定义与区别,本文主要研究对象为气候中的汛期降水预报数据的订正。从气候变化、气候变化原因、气候预测难点三个方面表明气候预测的难点,体现了本文算法提出的必要性。(2)研究了基于机器学习的汛期降水预报数据的订正算法,结合汛期降水数据的特点,在汛期降水预报数据中计算中引入不同的机器学习算法。主要包括:随机森林(Random Forests)、神经网络(Artificial Neural Network)。考虑到江淮流域是我国工农业重要产地之一,对于预防、减少灾害性气候具有重要的意义。因此,针对汛期降水预报相关应用背景与特点进行改进算法,确定最佳模型算法,提高汛期降水预报的精度。(3)基于常用评价指标平均绝对误差(Mean Absolute Error)、均方误差(Mean Square Error)、时间相关系数(Temporal Correlation Coefficient)对汛期降水预报数据订正结果分析。评估了基于本文算法对全国区域的中国气象局国家气候中心的CWRF的汛期降水预报性能。将上述汛期预报性能相对较好的算法模型拓展到全国区域,验证基于本文算法对全国区域的预报性能和泛化能力。其中根据不同区域的气候特点,将中国分成八个区域,最后将中国八个区域的历史数据通过距平等数据预处理后,基于机器学习的汛期降水预报数据的订正算法对不同区域进行分区建模预报。结果验证了本文算法应用于实际业务的有效性和可行性。