采用随机森林RF(Random Forest)模型对雅鲁藏布江流域22个站点的日平均气温进行降尺度研究,为了探求在雅鲁藏布江流域更适宜的气温降尺度方法,采用多元线性回归MLR、人工神经网络ANN和支持向量机SVM三种方法作为对比模型,并且采用主成分分析PCA和偏相关分析PAR两种分析方法,进行特征变量筛选。采用纳西效率系数NASH、均方根误差RMSE系数、绝对误差MAE和相关系数r值四种标准来评价模型的模拟效果。结果表明,RF模型的模拟效果要明显优于其他几种方法的模拟结果;采用PAR筛选特征变量的模型计算结果,不仅优于采用PCA筛选特征变量模型的模拟结果,且较稳定,另外,各种模型验证期的NASH效率系数都在0. 86以上,相关系数都在0. 93以上,所用几种模型都能较好地模拟雅江流域平均气温。选取MPI-ESM-LR模式在未来(2016-2050年)两种极端典型浓度路径RCP(Representative Concentration Pathway)排放情景RCP2. 6和RCP8. 5下的试验数据,研究雅鲁藏布江流域未来气温变化趋势表明,雅鲁藏布江流域未来2016-2050年在RCP2. 6和RCP8. 5两种排放情景下,平均气温都呈现出持续上升的趋势,在RCP2. 6排放情景下日平均气温平均上升0. 14℃,在RCP8. 5排放情景下日平均气温平均上升0. 30℃。