蒸散发（Evapotranspiration,ET）在陆地生态系统水分循环过程中,扮演着重要的角色,深受广大研究者的关注,它是地表能量平衡过程中的重要变量,也是监测作物生长状况的重要指标。实际ET在陆地水量平衡中扮演着不可替代的角色,不仅对于陆地生态系统中水分循环有影响,还影响着植物各阶段的生长发育和能量循环等环节。对实际ET进行研究对于理解全球气候变化有着重要的影响,对于区域实际ET的准确估算在水资源的合理利用、区域生态环境修复以及可持续发展等方面都具有重要的指导意义。探讨区域实际ET的变化趋势和变化特征,深入研究其内在机理,也是一项长期而重要的任务。本研究首先以2000-2014年全球站点数据和ERA5数据为基础,探究三种不同机器学习方法和构建深度学习模型在不同生态系统中估算实际ET的表现;然后选择我国作为研究区域,利用MODIS数据产品研究我国2010-2014年实际ET状况,采用变异系数和趋势性分析对其时空变化特征进行研究,并结合气象数据、MODIS植被覆盖产品分析探究我国实际ET的驱动因素。本研究的主要成果如下:1、本文引入深度学习神经网络算法构建陆地实际ET估算模型,并与其他三种经典的机器学习模型做对比,结合Fluxnet站点生态系统信息,将ERA5数据作为数据变量,通过相关性分析和先验知识,本文确定最优的变量组合为:短波辐射（Shortwave Radiation,SW）、净辐射（Net Radiation,NR）、气温（Temperature,T）、土壤温度（Soil Temperature,TS）、风速（Wind Speed,WS）、降水量（Precipitation,P）、初级生产总值（Gross Primary Product,GPP）、经度（Longitude,Lon）、纬度（Latitude,Lat）和儒略日（Julian Day,D）。通过输入最优的变量组合来训练模型,可以发现:在本文所选择的所有模型中,随机森林模型对于实际ET的预测效果要优于其它三种模型。研究中还根据不同数据量,对研究中所选用的四种模型的预测精度做了评估,发现模型的总体性能是随着数据量的增加而增加的;但是,随着数据量达到一定程度,模型的预测效果没有得到显著的提升,反而大大增加了模型的训练时间,特别是SVR模型。另外,训练的四种机器学习模型在不同的生态系统中估算实际ET的性能也是不一样的,模型在湿地生态系统中的预测效果最好,在森林生态系统中的预测效果最差。2、对于我国陆地实际ET时空变化情况进行研究,通过验证MOD16A2数据产品在我国陆地区域实际ET的适用性。结合RF机器学习模型,获取我国研究时序内月、年的实际ET。经趋势分析、计算变异系数等,研究中发现在研究时序内我国陆地区域实际ET总体上呈现出下降的趋势,在空间分布上,蒸散发量由南到北逐渐降低,实际ET在大区域范围内年际之间变化不明显。季节尺度上,我国陆地区域实际ET大小关系为:夏季（410mm）＞春季（238mm）＞秋季（221mm）＞冬季（68mm）,区域内实际ET变化较为明显,这主要是受植被类型差异影响。3、探究我国陆地实际ET变化的驱动因素,获取我国2010-2014年逐月降水、温度和风速情况,我国陆地降水、温度、风速具有时空差异,经相关性计算表明气象因素中温度与我国陆地实际ET之间的相关性最高。通过像元二分模型可以计算得到我国陆地区域研究时序内植被覆盖度总体情况,发现植被覆盖度情况对区域ET的影响也比较大。近五年间我国陆地区域植被覆盖度整体上呈现出上升改善趋势,受城市化建设影响,城市边缘、沿海（江）区域植被覆盖度呈减少趋势。本研究中使用皮尔逊相关性分析对研究时序内我国陆地区域逐月实际ET与同期逐月植被覆盖度进行相关性分析,发现植被在调节大区域范围的ET中起到了重要的作用,其调节作用同时也受到区域环境差异影响。在研究时序内,我国陆地实际ET变化受非气象因素的影响更加显著,非气象因素的贡献度为68%。