万庆同

(安徽省城建设计研究总院股份有限公司，安徽 合肥 230000)

1 引 言

强对流天气一直是影响我国农业、畜牧业、旅游业等产业发展的重要因素之一，水气作为大气中最活跃的部分，在大气运动中扮演着重要角色。而水气的变化与大气加权平均温度(Tm)息息相关，因此获取高精度的Tm数据具有十分重要的现实意义[1，2]。

目前，国际通用计算Tm的方法为1992年Bevis提出的线性模型，该模型结构简单，但适用区域较小，且仅考虑地表温度(Ts)一种因素，在其他地区的适应性有待提高。文献[3]结合多因素分析，得出了Tm与纬度、高程、气压三者呈周期性的负相关，与地面温度和水汽压呈周期性正相关的结论，并建立了中国地区的多因子回归模型。随着GNSS气象学的发展，区域性Tm的精度要求逐渐提高，文献[4]分别建立了多种区域性的Tm与Ts模型。但以往的区域模型均采用了线性关系，在部分地区的精度仍无法满足应用要求。文献[5]基于数理统计模型，证明了Tm与Ts之间的非线性关系，为之后对于Tm的研究提供了新的方向。传统的机器学习方法，如支持向量机、BP神经网络[6]、卡尔曼滤波模型等，因其训练样本分布的比重较大，易导致过拟合现象和稳健性不足等问题，随机森林作为一种新兴的机器学习模型，能够处理高维数据样本而不用进行降维处理，且参数调试少，泛用性强，可以有效避免过拟合现象，具有很好的鲁棒性，因此得到了广泛的运用[7]。

中国东部地区受季风气候的影响，水气较为紊乱，易发生强对流天气，从而导致大气加权平均温度的非线性变化明显[8，9]，传统Tm模型难以满足该地区发展的需求，因此亟须建立一种新的高精度Tm区域性模型。……