精细化天气预报已经成为当前天气预报业务的重点发展方向,数值预报技术的发展带来了空间和时间分辨率都更高的数值预报产品,这为精细化预报的发展提供了必要条件,但精细化预报常常意味着模型复杂且计算量大。温度作为天气预报的基本要素,研究其精细化预报释用方法具有重要的参考价值。为了应对越来越复杂的气象服务需求,必须建立起一个简单且时间分辨率高的单站温度预报释用模型,充分利用数值天气预报产品和观测数据本身的有益信息。本文基于统计回归与自相关、日循环和平流相结合的方法,以天津站和云南站的仪器观测和格点分析资料为数据集,结合GRAPES_MESO逐小时高分辨率的数值预报产品,建立了一个新的单站预报释用模型,实现了向前24小时的逐小时温度预报释用。以一个月的温度数据为训练集建模,逐小时滚动向前预报释用24小时,并与观测比较来评估向前24小时的预报释用效果。该模型充分考虑了观测数据本身的信息,引入日循环项、平流项和自相关项,24小时预报释用均方根误差从传统逐步回归的3.2度降低到1.3度左右,相关系数从0.57提升到0.94。其中自相关项对预报释用效果贡献最大,日循环项次之,而且平流项、日循环项的作用与自相关项是独立互补的。进一步检验新模型对极端温度的预报释用效果后,发现模型对未来24小时内极端高温和极端低温的预报释用均方根误差最优可达1.2度左右,在预报释用极端温度出现时刻上平均估计误差都在2小时以内。经过研究发现,面对仪器观测的缺失,用相关系数高达0.94的周围四个格点分析资料进行双线性插值补缺的效果略优于线性回归补缺效果,但数据融合的方法能够取得更好的序列协调性,融合后相关系数在0.92左右。应用人工智能模型释用时,支持向量机和神经网络模型容易出现拟合精度高、但预报释用效果一般的情况,而支持向量机模型与回归模型预报释用效果相似,但回归模型的预报释用效果更为稳定,随预报释用时间变化较小。对融合后的天津站点数据进行新模型释用后,24小时预报释用均方根误差从传统逐步回归的3.0降低到了1.4左右,相关系数从0.66提升到了0.93。以上这些都说明,新模型不失为一种计算量简单、预报释用精度良好且符合实际应用需求的单站温度预报释用方法。