作物需水量的确定是农业节水的关键环节,而地表太阳辐射（R_s）和参考作物腾发量（ET₀）又是作物需水量的重要影响因素。由于观测成本等各方面原因的限制,通常采用常规气象数据来估算R_s和ET₀,其中最常用的方法分别是Angstrom-Prescott（A-P）公式和Penman-Monteith（P-M）公式。依据不同区域的气候条件,本研究将中国大陆划分为高原山地气候区、亚热带季风气候区、温带季风气候区、温带大陆性气候区等4个不同的气候区,利用全国80个具有辐射观测条件气象站的实测辐射数据和839个普通气象站的气象观测数据,结合机器学习算法和已有的经验公式,推求全国范围内A-P公式的a和b系数,验证不同区域不同方法估算太阳辐射的最佳气象因子输入组合,探究太阳辐射对P-M公式估算ET₀的影响。主要结果如下:（1）通过相关性分析,众多气象因子与A-P公式的系数a具备相关性,利用普通气象数据可对a进行较为精确的估计,而系数b的估算则相对困难;地外辐射（R_a）与潜在日照时数（N）具有强相关性,几个与温度有关的变量(最高温T_max、最低温T_min、平均温T_mean、温度日较差Δt)之间也存在着很强的相关性,它们在估算R_s的过程中存在着一定程度的相互替代性。（2）现有A-P公式参数估算的经验模型中,利用高程（Z）、纬度（φ）、日照百分率（n/N）和温度（T）均能对a和b两个系数进行有效地估算。本研究中使用SVM算法利用高程和纬度建立的模型取得了很好的估算效果;系数a与高程相关性明显,整体由东南向西北递增,系数b分布较凌乱,整体从东北向西南递增。（3）在中国大陆不同气候区,估算R_s所需的最优气象因子输入组合也是不同的,需要考虑地理位置及气候条件等选择最佳的输入组合。日照时数（n）、地外辐射（R_a）、气温（T）等3个气象因子对太阳辐射估算的影响较大。在湿润地区加入降水因子可以明显提高估计精度,但在干旱地区效果不明显。风速对太阳辐射估算的影响很小。总的来说,与其他方法相比,机器学习方法具有输入气象因子组合灵活、估算精度高等优点。利用本文确定的最优组合驱动支持向量机（Support Vector Machine,SVM）或极限学习机（Extreme Learning Machine,ELM）方法,可以更准确地估算日太阳辐射。（4）P-M公式估算ET₀时,若没有辐射实测数据,需要合理选择A-P公式的系数,特别是在南方湿润地区使用恰当的A-P公式系数可以减小ET₀的估算误差;几种常用的经验模型中,Hargreaves-Samani方法在仅有温度数据时具有一定的优势,而利用SVM算法建立的模型具有高于传统经验模型的精度,值得进一步被推广使用。