本发明公开了一种耦合深度学习和物理机制的区域性植被蒸腾预测方法，基于原始P‑T模型构建了P‑T蒸腾模型，将该模型原始的净辐射通量Rn和P‑T修正系数α替换为植被净辐射通量Rnv和植被修正系数αv；为了准确估计植被修正系数αv，创新性的将植被、土壤和气象参数输入深度神经网络来预测αv，然后将估算的αv导入蒸腾模型计算植被蒸腾量，通过将实测植被蒸腾量与预测的植被蒸腾量进行验证来优化DNN模型中αv的估计。相较于单纯深度学习模型，本发明耦合物理机制的深度学习模型可显著提高在极端气候条件下的植被蒸腾量的模拟精度。这对于准确估算区域植被需水量、指导农田精准灌溉等领域具有重要意义。