参考作物蒸散量（Reference Crop Evapotranspiration,ET0）是实际工作中计算作物蒸散量的关键因素。其对农田水利工程的规划设计具有重要的参考价值,对预测耕地需水量和优化水资源管理具有重要意义。现如今ET0标准的主流计算方法是由国际粮食与农业组织（Food and Agriculture Organization of the United Nations,FAO）推荐的Penman-Monteith（FAO-56 PM）法,这种方法结合了能量平衡和空气动力学理论,可以广泛应用在不同的气候条件下以及不同的国家或地区,但需要许多气象因子。由于我国气象站分布不均,从而导致部分地区获得准确完整的气象因子相对困难,基于再分析产品的ET0数据集可以弥补地面气象平台数据在时间上的不连续性和空间上的不足。然而,必须进行严格评估,来验证再分析产品CLDAS是否具有应用价值;并且当气象数据不足时,使用再分析数据或机器学习来计算ET0仍存在困惑。因此,本文首次评估了中国气象局正式发布的第二代CLDAS数据集估算ET0的能力（以本地气象站数据作为参考数据集）,以五种气象因子和ET0为研究对象,探索在中国不同地区下CLDAS再分析数据的气象数据与本地气象站点的数据的相关性。具体内容如下:（1）基于已下载的CLDAS网格数据和689个本地气象站点的数据对五种气象因子(相对湿度RH,风速U2,最低气温Tmin,最高气温Tmax,以及太阳辐射Rs)进行预测和评估,并且利用FAO Panmen-Monteith公式对2017-2020年计算逐日ET0,使用4种统计指标,评估该方法下不同年份、区域和季节下估算ET0的适用性,揭示了CLDAS再分析数据的不同气象因子和组合对拟合估算性能的影响。（2）评价了本地气象站点在不同数据缺失情况下用CLDAS进行替换,利用Penman-Monteith（FAO-56PM）公式来估算中国各地区ET0,数据采用7个不同气候区内的43个站点从2017到2020年的气象数据,设置了8种参数组合来计算,并与两种机器学习模型（XGB、GPR）所计算的ET0结果进行对比分析,以及探究不同气象数据缺失情况下更适合估算中国地区ET0的方法,为ET0的估算提供一种全新的选择!得出的主要结论如下:（1）除青藏高原（QTP）地区外,CLDAS的气温数据在所有地区都具有较高的精度,而全球太阳辐射数据精度一般,相对湿度和风速数据质量较差。除QTP外,ET0的总体精度是可以接受的,但也有不到15%（103个）的站点存在较大误差。就季节而言,误差在夏季最大,冬季最小。该数据集的ET0也存在年际差异。总体而言,CLDAS数据集预计在内蒙古草原地区、台湾东北部、半北部温带、湿润半湿润暖温带和亚热带地区具有良好的适用性,但在其他地区存在一定的风险。此外,在所有季节中,夏季和春季的偏差最小,其次是秋季和冬季。从2017年到2020年,2019年和2020年的偏差最小。沿海地区和不同气候带的边界地区也表现不佳并呈现高估。（2）在缺失一种气象数据的情况下:当缺失本地数据U2或RH时,推荐使用CLDAS方法,即用CLDAS网格数据U2CLD或RHCLD替换本地气象站点的数据来计算,或机器学习的方法来预测ET0;当缺失本地数据Rs时,即在组合3下,CLDAS方法预测的性能明显下降,推荐使用机器学习来预测ET0。因此在CLDAS网格数据中,太阳辐射Rs CLD对预测ET0的误差影响较大;在缺失两种气象数据的情况下:三种方法预测ET0的表现均有不同程度的下降。并且我们建议在缺少气象因子数据RH和U2时,即在组合6下可以使用相应的CLDAS网格数据代替本地数据或机器学习的方法预测ET0,此外组合6也是一个具有很高性价比的组合,只需要相对较少的本地实测数据下拥有很好的预测的性能;而当缺少数据涉及到Rs时,建议使用机器学习的方法来预测ET0。从而得出网格数据Rs CLD影响ET0估算精度的程度相对于其他气象因子数据更大一些;在缺失多种气象数据的情况下:在组合7下,即在缺失本地数据Rs、U2和RH时,建议使用机器学习方法GPR进行预测ET0。另外在全部数据均缺失时,推荐用网格数据全部代替来计算ET0且预测表现良好。此外本文也对不同组合下CLDAS方法在七个区域内的预测性能进行了分析,综合来说在七个区域内都有一个较好的表现,本文得出在区域1～4内的表现相对较好,区域5～7内表现可能会出现波动。综上所述,CLDAS网格数据在估算ET0时,Tmax CLD,Tmin CLD,RHCLD,U2CLD精度较高,计算结果精度较好并建议使用,而网格数据RsCLD会很大程度降低ET0的估算精度。