时间序列数据挖掘是机器学习的研究分支之一,可以实现数据的时序特征提取,在机器翻译、金融预测、疾病预测等领域有着广泛的应用。蒸散量指土壤蒸发和植物蒸腾作用的总和,是水循环中的重要环节,准确预测蒸散量对水资源管理和区域气候调节具有重要理论研究价值和实际应用意义。目前研究学者大多基于领域特征对蒸散量建模,基于深度学习的时序算法在蒸散量模拟领域的研究仍处于起步阶段。本文对注意力机制、双阶段注意力机制、Transformer三种深度学习模型在蒸散量模拟领域的可行性和有效性进行验证,以期提高环境数据缺失情况下的蒸散量模拟精度。本文的研究工作如下:（1）采用随机森林模型对环境因子进行选择,最终选取净辐射、空气温度、相对湿度、土壤温度、土壤含水量、土壤热通量作为ET的影响因子,构建16种不同环境因子组合输入的模型。（2）采用注意力机制模型对蒸散量进行模拟,与极限学习机、支持向量机、长短记忆网络在日尺度、月尺度、季节尺度下进行对比分析。对三种深度学习模型的模拟精度与训练速度进行对比,并探究深度学习模型在不同生态系统的适用性。结果表明,环境因子变化对注意力机制、双阶段注意力机制、Transformer模型模拟精度影响很小。深度学习模型在ET模拟领域具有可行性和有效性,且适用于多种生态系统类型,模拟精度高于传统机器学习模型。（3）对使用到的6种模型的ET模拟值进行时间序列特征分析,探究模拟效果差异的共同特征。结果表明,SVM模型模拟的ET值分桶熵和模糊熵都比较高,为1.81和0.89,预测的ET值较为混乱,波动较大。Transformer模拟值的峰度为7.88,对峰值的预测较为准确。模型的预测精度较低主要原因是对峰值的预测不佳。