蒸发（Evaporation）过程直接或间接影响着气候变化和农业生产。农业生产主要依赖于对现有水资源的有效利用,特别是易干旱、干旱、半湿润和半干旱等缺水地区。蒸发量的精确预测对合理开发利用水资源、旱涝变化趋势研究和农作物灌溉用水量的估算具有十分重要的意义。蒸发皿蒸发量（Pan Evaporation）是衡量蒸发量大小的重要指标,是有时序特征的数据对象,有特定的时间间隔,具有数据量大且数据结构复杂的特点。由于蒸发的过程具有高度的复杂和非线性性质,影响因素较多,传统的经验方法泛化性较弱,预测精度较低,蒸发皿蒸发量的预测研究面临着诸多困难和挑战,其中现有预测方法大多是基于气象观测站单站点的研究,未能有效利用蒸发皿蒸发量的空间因素,预测结果存在一定的片面性。针对以上问题,本文的主要研究内容与结论如下:（1）探究不同机器学习算法对蒸发皿蒸发量预测的适用性。使用多层感知机（Multilayer Perceptron,MLP）、支持向量机（Support Vector Machine,SVM）、时间卷积网络（Temporal Convolutional Network,TCN）、随机森林（Random Forests,RF）和长短期记忆网络（Long Short-Term Memory,LSTM）,利用山西省太原市地面国际交换站1960年至2019年观测的气温、气压、相对湿度、风速、日照时数、降水和蒸发量,共7项气象参数构建时序数据,对本站点的日蒸发皿蒸发量进行预测,并对最优预测模型进行泛化性验证。结果表明,5种模型将全部气象参数作为输入项时,对太原市地面国际交换站的蒸发皿蒸发量预测精度由高到低依次为TCN模型、LSTM模型、MLP模型、RF模型和SVM模型,其中TCN模型的预测精度最高,泛化性较强,其判定系数（Coefficient Of Determination,R2）达到了0.85443。神经网络模型要优于传统机器学习模型。同时,本文还探究了不同气象参数输入组合对模型预测精度的影响。其中当模型输入项为气温、日照和风速3项时,5种模型的R2均大于0.8,在输入参数严重缺失的情况下,该输入组合的预测结果有较高的性价比;在大多数输入组合的预测实验中,TCN模型均保持了较高的预测精度,其中有特殊情况,当模型输入项为日照、气压双参数时,SVM模型的预测精度最高,SVM模型更适用于双参数和三参数下蒸发皿蒸发量的预测。（2）构建基于注意力机制的KNN-TCN蒸发皿蒸发量预测模型。以我国北方地区14个地面国际交换站观测的7项气象参数为条件数据,以TCN为基础模型探究分析2种改进算法的预测效果。一是引入K-近邻（K-Nearest Neighbors,KNN）算法实现研究对象空间因素的有效筛选,构建KNN-TCN混合模型;二是引入时间-特征注意力机制（Attention）对条件数据的时间特征和气象参数特征分配权重,构建Attention-KNN-TCN模型。最后利用平均绝对误差（Mean Absolute Error,MAE）、均方根误差（Root Mean Squared Error,RMSE）和判定系数三项指标对目标站点的预测精度进行评价。结果表明,Attention-KNN-TCN模型预测结果的R2达到了0.89156,相较于基础TCN模型,提升了3.713%。Attention-KNN-TCN模型利用KNN算法充分挖掘了蒸发皿蒸发量的空间因素,其膨胀卷积对时间特征的提取效果较优,残差结构有效保留了原始输入信息,注意力机制对关键的条件信息侧重较为明显,对蒸发皿蒸发量的预测效果提升明显,可以作为我国华北地区的蒸发皿蒸发量预测模型。研究成果可为蒸发皿蒸发量预测研究提供一种新思路,并可为水资源高效利用、农业灌溉以及水资源管理等提供一定的理论参考。