蒸散量（ET）是生态和水文过程之间的重要纽带，对水资源管理、农业生产、生态系统维护和气候变化研究至关重要。机器学习方法已广泛运用于ET估算，尤其基于树的模型因其高效和准确性备受关注，但比较研究较少。本研究以美国大陆为例，利用地面观测数据和多源遥感数据，探索了随机森林、极限随机树（ERT）、XGBoost和LightGBM等基于树的机器学习算法在ET估算中的性能。结果显示，四种模型均能准确估算美国大陆ET，其中ERT模型表现最优，与观测数据具有高相关性（R²=0.842），低偏差（BIAS=-0.0003mm/d）和低均方根误差（0.723mm/d）。相较于MOD16A2，其R²提高0.403，RMSE降低5.311 mm/8d。基于ERT生成的美国2008-2018年逐日1km无缝陆地ET数据集优于其他全球产品，进一步验证了其可靠性，突显了ERT在ET估算中的潜力。
 

蒸散,遥感,机器学习