امروزه منابع آب به شدت تحت تاثیر چرخه ی هیدرولوژیکی هستند و برآورد تبخیر و تعرق که جزء اصلی از چرخه ی هیدرولوژیکی است در مدیریت منابع آب نقش بسزایی دارد. این پدیده غیرخطی و از این لحاظ که پارامترهای بسیاری در برآورد آن دخیل هستند کاری بسیار مشکل است. روش های زیادی برای برآورد تبخیر و تعرق وجود دارد که هر کدام با مشکلی مواجه می باشند. بعضی از این روش ها مثل لایسیمتر هزینه بر و زمانبر می باشند و برخی دیگر مثل روش های تجربی اعتبار محلی دارند. استفاده از روشی که بتواند با توجه به ماهیت این پدیده و استفاده ی حداقل از داده های اقلیمی این پدیده را مدل کند ضروری به نظر می رسد. امروزه شبکه های عصبی که شاخه ای از هوش محاسباتی می باشند در علوم مختلف مورد استفاده قرار می گیرند. در این تحقیق از داده های روزانه ی دو ایستگاه فرودگاه شهرکرد و فرخشهر در بازه ی زمانی 2013-2004 شامل دمای حداقل، دمای حداکثر، رطوبت نسبی میانگین، ساعات آفتابی و سرعت باد در ارتفاع دو متری تحت سناریوهای مختلف استفاده شد. ابتدا به محاسبه ی چند روش تجربی در برآورد تبخیر و تعرق مرجع پرداخته شد. روش های تجربی مورد استفاده این تحقیق هارگریوز، بلانی کریدل، پریستلی تیلور و جنسن هیز بودند. مدل شبکه ی عصبی مصنوعی تحت سناریوهای مختلف داده ی ورودی به کمک نرم افزار) MATLAB(R2012b طراحی گردید. این قسمت با انجام تست های مختلف با توجه به حساسیت و میزان دقت مورد انتظار از دو تابع تانژانت سیگموئید و لوگ سیگموئید در لایه پنهان، تابع خطی در لایه خروجی و قاعده ی آموزش لونبرگ مارکوات استفاده شد. برای ارزیابی مدل ها از مدل پنمن مونتیث فائو 56 که به عنوان روش استاندارد شناخته می شود استفاده شد. شاخص های آماری RMSEوMAE و Rمحاسبه گردید. نتایج نشان داد که از بین ده سناریوی انتخابی سناریوی یک با هر پنج پارامتر ورودی، کمترین خطا را نسبت به روش فائو 56 و عملکرد بسیار بهتری نسبت به روش های تجربی داشت. از بین روش های تجربی نیز مدل پریستلی تیلور و هارگریوز عملکرد بهتری داشتند .همچنین نتایج آنالیز حساسیت نشان داد که دمای ماکزیمم و سرعت باد بیشترین تاثیر را بر تبخیر و تعرق مرجع در این منطقه دارند.
