城市开放空间是各种公共活动、社会生活服务的空间载体,场所营造尤其是城市开放空间的营造也愈加成为城市设计的核心内容。城市微气候是一个多因素耦合的复杂系统,它受城市形态影响显著,且二者关系具有动态性和高度复杂性。本文以严寒地区典型城市哈尔滨为例,借助移动气象站实测和ArcGIS平台构建全年逐时空气温度与开放空间形态要素（包括建筑基底面积比、建筑平均高度与基底面积比、垂直墙体面积、铺地面积比、绿容率、天空开阔度、距公园距离、距水体距离）数据集,利用机器学习典型参数算法线性算法（包括基于最小二乘法的多元线性回归、岭回归、Lasso回归）及典型非参数算法树算法（包括决策树、随机森林、XGBoost）分别构建严寒地区城市开放空间形态要素与空气温度关系模型,比较各模型性能,探究最佳气温预测模型。经过数据处理、模型构建并进行十折交叉验证得到:基于多元线性回归、岭回归、Lasso回归建立的模型R~2值分别为0.843 2、0.852 3、0.850 7。基于决策树及其集成机器学习算法随机森林、XGBoost的模型R~2值分别为0.915 3、0.941 3、0.928 2。通过对比各模型学习曲线发现,非参数算法建立的严寒地区城市开放空间形态要素与空气温度关系模型性能表现更优,当数据量大于800时,借助随机森林建立关系模型最适。对比各关系模型发现,基于随机森林建立的关系模型最适合用来严寒地区全年城市开放空间内人行高度（1.5m）处空气温度预测;基于XGBoost建立的关系模型适合用做随机森林关系模型预测的补充,提升过渡季两极温度区间预测准确度以实现全年开放空间空气温度的精细预测。此外,本文借助基于随机森林的关系模型进行了各形态要素对气温的依赖关系分析,发现各形态要素与空气温度关系为非线性关系。对比发现,天空开阔度对气温影响最为显著,而铺地面积比对气温的影响最小。相关研究人员可基于随机森林与大数据进一步探索不同尺度、不同气候区、不同城市形态要素与空气温度的关系。未来城市各传感器增加,微气候相关大数据来源增加,借助随机森林构建的城市开放空间气温预测模型有助于实现城市微气候的精细化预测;城市规划者在早期设计阶段可借助该模型在总体规划中快速、准确地实现未来建设对环境影响的评估。