中国气象灾害频发, 有效的季节预测对于做好防灾减灾和经济社会的可持续发展规划具有重要意义. 本研究设计了一种基于气候大数据集并结合传统统计预测经验的机器学习融合模型(Y-model), 旨在提升季节预测能力, 并且挖掘潜在的预测因子. Y-model首先利用经验正交分解(EOF)对预测的目标变量(中国各季节的温度和降水)进行降维处理, 然后采用图像识别技术从气候大数据集中自动筛选出潜在的预测因子, 并确保与同期环流异常显著相关, 接着基于影响统计预测技巧的五个关键因素设置不同阈值, 构建了预测因子大样本集合. 最后利用Facebook Prophet模型提前2个月对各季节温度和降水进行独立试报. 预测结果显示, Y-model可以有效预测 2011~2022年间中国气候的季节变化, 其中温度和降水的平均空间相关系数分别达到0.60和0.24, 均优于CFSv2模式. 此外, 通过分析极端气候年份的潜在预测因子, 发现2020年超强梅雨与前期印度洋信号和平流层信号密切相关, 而2022年极端高温可能受到西太平洋海温和西亚土壤温度异常的共同影响. 本研究为中国气候的季节预测提供了新的视角和方法.