摘要：资料同化的理论要求观测资料和背景场误差均符合无偏高斯分布，这使得偏差订正成为卫星资料同化中至关重要的步骤。本研究将四种机器学习方法（MLP，KAN，RF和XGBoost）用于FY-4A卫星的AGRI资料9-10通道亮温的偏差订正中，通过引入全新的偏差订正预报因子组合，建立了系统偏差的预测模型，并比较和评估了在台风烟花同化模拟试验中的效果。比起传统VARBC偏差订正方法，机器学习偏差订正方法更好的消除了大部分区域的冷偏差，使亮温观测和模拟偏差更趋近于高斯分布，有效降低了亮温观测与模拟偏差的均值和标准差，同化和预报结果也表明：四种机器学习方法较传统VARBC方法能够有效减小台风路径和强度的预报误差，其中KAN网络订正方法对应的台风路径的预报误差最小，可能由于这种基于KAN模型的订正方法能更好的捕捉观测场和背景场中的非线性的系统误差，提升了初始场中台风环境引导气流的分析精度，在积分过程中更有效地改善了台风路径的预报。MLP和KAN网络订正方法对应的台风强度的预报误差最小，这可能和该方法能够有效改进台风预报中局地热动力过程相关。
 

辐射资料同化，偏差订正，机器学习