蒸散是植被蒸腾和地表水分蒸发的总和。随着气候变暖逐渐加剧,大气环流受到影响,从而导致蒸散的时空格局发生变化。准确量化蒸散是理解生态系统水循环及气候变化的关键途径。然而,蒸散模型的复杂性和准确性各有差异,在区域扩展中受到不同限制。近期发展的植被近红外反射率（Near-Infrared Reflectance of Vegetation,NIRV）对于提高蒸散模型精度和全球适用性,以及降低建模复杂度具有潜在的用途。本文基于Python语言,利用通量数据和遥感数据,构建了三种NIRv驱动的蒸散估算模型,估算全球尺度11种植被类型的蒸散。本文的主要创新点如下:（1）构建两种蒸散模型,NIRv-Penman-Monteith（NIRv-PM）和 NIRv-underlying Water Use Efficiency（NIRv-uWUE）,在农田系统32个站点上进行模型的训练及验证,并与六种成熟蒸散模型在验证集和干旱站点进行比较。结果表明,NIRv-PM和NIRv-uWUE都能较好地模拟农田蒸散,前者对蒸散的估算精度（R2=0.741,RMSE=5.638 mm/8d,RMSEs=1.519 mm/8d,RMSEu=5.43 mm/8d）高于后者（R2=0.674,RMSE=6.275 mm/8d,RMSEs=2.091 mm/8d,RMSEu=5.916mm/8d）且误差更小。NIRV-PM模型较成熟模型性能更优,在干旱气候下依旧具有稳定性。（2）利用NIRv一元线性回归方法和光能利用效率模型对11种植被类型的总初级生产力进行估算,评估模型模拟值和站点观测值之间的一致性。结果表明,NIRV与总初级生产力在所有植被类型内高度相关,光能利用效率模型的模拟效果显著优于线性回归方法,所有植被类型的平均R2分别为0.812和0.764,平均RMSE分别为 0.978 和 1.031 g C m-2 d-1。（3）利用多层感知机和随机森林两种机器学习方法对NIRv-PM模型中的参数“PT系数”进行校正,以此提高多影响因子对平流过程的解释。将计算的PT系数估算值代入到蒸散模型进行验证,结果表明,使用机器学习方法可以实现PT系数值的高模拟精度,且随机森林的精度更高。（4）利用全球尺度115个通量站点的时间序列数据验证改进后的NIRv-PM模型估算蒸散的可行性。结果表明,改进后的NIRV-PM模型（平均R2、RMSE、RMSEs和 RMSEu 分别为 0.732、0.709 mm/d、0.387 mm/d 和 0.564 mm/d）能准确模拟全球尺度复杂下垫面的蒸散,相比原始的NIRv-PM模型（平均R2、RMSE、RMSEs和RMSEu 分别为 0.699、0.685 mm/d、0.463 mm/d 和 0.489 mm/d）,有效提高了蒸散变化的解释能力。之后,利用遥感栅格数据验证改进后的NIRV-PM模型在华北平原的可靠性,分析了华北平原蒸散的时空分布特征。以上证明了改进后的NIRV-PM模型具有广泛的适用性,为估算全球蒸散提供了简单而稳健的方法。