全球气候模式在短波云辐射效应方面存在较大误差，主要是由模式在云量和云水含量方面的模拟误差导致。然而，不同云属性误差对短波云辐射效应误差的具体贡献尚不明确，限制了模式的改进和发展。基于此，本研究提出一种基于机器学习的定量模式中各种云参数对短波云辐射效应误差的贡献方法。我们首先基于观测和FGOALS-f3模式数据构建了一个利用云量、云日同步率、云水路径、云冰路径、晴空反照率和太阳高度角计算短波云辐射效应的随机森林模型，然后通过变量扰动法来量化以上云属性对模式短波云辐射效应误差的贡献。结果表明，FGOALS-f3模式中，云量、云水路径、云冰路径和云日同步率对全球平均短波云辐射效应的贡献分别为+5.11、-6.58、-1.67、+4.38 W m^-2，而晴空反照率的贡献较小。云日同步率误差贡献与云量误差的贡献相当，说明云量日变化对短波云辐射效应模拟的重要性。不同气候区，各个云属性的相对重要性不同。热带陆地主要表现为云水和云冰路径被高估，热带海洋主要表现为云量和云日同步率被低估，中高纬度陆地主要表现为云日同步率被低估，而中高纬度海洋表现为低云云量偏小、云厚偏大。

机器学习,云短波辐射效应,模式误差,云量日变化,随机森林