基于TIGGE资料中的欧洲中期天气预报中心(ECMWF)、英国气象局(UKMO)、美国国家环境预报中心(NCEP)、韩国气象厅(KMA)、和日本气象厅(JMA)五个中心2015年1月1日—9月30日中国地区(70°—140°E,15°—60°N)2m气温、10m纬向风、10m经向风和2m露点温度24—168 h集合预报资料,结合ERA-Interim再分析日资料,并且将其作为“观测”资料来参与训练和预报效果的检验。首先,利用“观测”资料对不同模式多要素的预报值进行检验,了解各模式对多要素的预报误差,评估其预报能力;然后再使用长短期记忆神经网络(LSTM)、浅层神经网络(NN)、随机森林(RF)、滑动训练期消除偏差集合平均(BREM)和滑动训练期多模式超级集合(SUP)方法对多个模式的结果进行后处理预报试验,评估不同后处理方法的预报效果;最后,探究传统多模式集成和机器学习对2013年夏季我国南方地区区域性高温的第三次过程(7月22日—8月21日)的集成预报。综合来看,对中国区域多气象要素的预报能力最好的单模式是ECMWF。各个中心模式的预报效果区别较大,并且在地理分布上存在明显的差异。在所选时间段内,不同预报时效存在预报能力的季节性差异,地面气温冬季春季误差较大;纬向风和经向风春夏误差相对略大;露点温度春冬季节误差大,夏季误差较小。各预报方法对中国区域多气象要素的预报能力从好到坏依次为LSTM>SUP>NN>ECMWF>BREM>RF。六种结果在地理分布上存在一定的差异,地面气温和露点温度的差异比纬向风、经向风的大。并且,LSTM对地面气温和露点温度的误差减小率大于纬向风和经向风的误差减小率。随着预报时效的增加,LSTM的改善效果更加明显。六种结果对2013年夏季高温过程,LSTM的预报误差最小。LSTM与ECMWF、NN和RF相比,误差降低十分明显;与SUP和BREM相比误差减小的幅度不大。随着预报时效的增加,六种结果的均方根误差依次呈不同程度增大,且其对高温过程预报的并不稳定。