潜热通量是地球表面能量预算的重要组成部分,也是水文循环中重要的一环。完整的潜热通量数据是估算作物生长模型和水文模型的重要参数,对于精准计算农作物需水量,农业用水调控和区域水资源管理有重要意义。但由于天气及其它原因,检测潜热通量数据的涡度相关仪会受到不同程度的损坏,造成数据的缺失,难以提供完整的潜热通量数据。因此,潜热通量缺失数据的补全就成了亟需解决的问题。传统的潜热通量插补模型需要大量的气象数据,计算过程也比较复杂。在气象资料缺乏的情况下难以精准计算。本文旨在研究当气象资料缺乏情况下采用机器学习方法对潜热通量缺失数据进行插补。本文的主要研究内容包括:(1)使用机器学习的方法对潜热通量影响因子进行特征分析和选取,并从生态学角度对结果进行分析论证。(2)基于选取的影响因子,分别使用极限学习机,误差反向传播神经网络,支持向量回归和XGBoost(eXtreme Gradient Boosting)等机器学习方法对缺失的数据进行插补,实验结果表明,XGBoost与极限学习机效果最佳,R2分别达到了 0.8672与0.8504,但极限学习机在参数调整上更加简便,因此选取极限学习机作为进一步研究的方法。(3)极限学习机初始参数随机导致结果不稳定,而且隐藏层节点过多时会出现过拟合情况,为了提高极限学习机的泛化性能引入核极限学习机,在使用遗传算法进行参数调优后核极限学习机的R2达到了 0.8545,同时在此基础上,根据潜热通量的特性进行分时段实验,结果显示最佳R2可达0.8836,是一种更合适的潜热通量插值补全策略。