极端雨强具有局地性、突发性和致灾性强的特点，但数值模式对24小时以上时效的极端雨强预报能力仍然有限。受限于极端降水样本的稀缺性，直接利用机器学习方法改进极端雨强定量预报面临重大挑战。针对华北黄淮地区不同等级极端雨强，本研究提出一种融合物理认识与机器学习的极端雨强潜势预报方法（Phy-RF（Physical Random Forest））。该方法以随机森林为骨干模型，基于2019—2023年5—9月ECMWF历史预报资料和高分辨率格点降水观测数据，综合运用物理因子敏感性分析、PCA特征降维、时空邻域极端降水样本增强以及样本均衡策略，构建了0—72 h逐3 h极端雨强分级潜势预报模型。统计检验表明，尽管存在一定空报，该方法对≥20 mm/h和≥50 mm/h极端雨强的TS评分和命中率较原始ECMWF模式和CMA-MESO-1km模式均有大幅提升。典型个例检验进一步显示，Phy-RF模型对极端雨强落区的预报较业务数值模式具有明显优势，能够较好地反映对流雨带的生消演变特征。本研究提出的方法有效缓解了极端降水建模中的样本失衡难题，并揭示了合理的目标与特征设计的关键作用。

极端雨强,潜势预报,机器学习,后处理