蒸散发作为陆地表面第二大水文通量，在水、能量和碳循环的耦合过程中扮演着关键角色。然而，现有蒸散发产品由于空间分辨率粗糙、时间跨度有限以及依赖简化假设，存在较大不确定性。本研究开发了一种多模态机器学习框架，通过融合13种包含遥感、机器学习、陆面模型、再分析数据以及462个通量塔观测点 ET 数据，生成了高分辨率（0.1°、日尺度）、长时序（1950-2022年）的全球ET数据集。该框架通过使用轻梯度提升机（LightGBM）模型将各个ET产品重建为一致的时空分辨率和时间范围，再利用自动机器学习（AutoML）技术结合ERA5-land大气强迫数据和辅助数据作为预测因子进行融合。验证结果表明，该融合产品相比现有数据集有显著改进，在多种生态系统和区域中达到最高精度（KGE = 0.857，RMSE = 0.726 mm/day），并能有效捕捉时空变异性，校正其他数据集中普遍存在的系统性低估偏差，尤其在湿润地区效果明显。所生成的新数据集为区域水文和生态系统方面的水、能量和碳循环评估提供了更可靠的工具，同时所提出的数据集成方法也为融合具有不同特性的多维地球科学数据集提供了重要的研究框架。
 

蒸散发,自动化机器学习,多模态,长期数据重建