پیشبینی تبخیر روزانه یک ابزار تعیینکننده و مفید در کشاورزی پایدار و مسائل هیدرولوژیکی، بهویژه در طراحی و مدیریت سیستمهای منابع آب است. بنابراین، در این مطالعه توانایی مدلهای هوش مصنوعی پرسپترون چندلایه (MLP)، رگرسیون بردار پشتیبان (SVR) و مدل ترکیبی رگرسیون بردار پشتیبان با الگوریتم کرم شبتاب (SVR-FFA)در برآورد تبخیر روزانه در ایستگاه تکاب، طی دوره 2020-2002 با استفاده از چهار معیار آماری مورد ارزیابی قرار گرفت. در هر سه مدل بکار گرفته شده، سناریوی برتر مدلی بود که ورودی آن شامل پارامترهای میانگین دما، حداقل دما، حداکثر دما، رطوبت نسبی متوسط، حداقل رطوبت نسبی، حداکثر رطوبت نسبی،سرعت باد و ساعات آفتابی بود. در میان پارامترهای ورودی نیز پارامتر ساعات آفتابی از مولفههای موثر بر پیشبینی تبخیر بوده که باعث کاهش خطا در تمام مدلها شده است. نتایج بهدست آمده نشان داد که سناریو ششم مدلMLPبهترین عملکرد را با کمترین خطا (18/2) نسبت به تمامی مدلها ارائه داد. همچنین نتیجه گرفته شد که سناریو ششم مدل SVR-FFAخطای کمتری (2/2) را نسبت به سایر مدلها داشته است. در بین سناریوهای مدل SVRنیز سناریو ششم کمترین خطا را (27/2)، نسبت به سایر ترکیبات SVRاز خود نشان داد. نتایج حاصل از این پژوهش نشان داد که سناریو ششم مدلMLPبهترین عملکرد را داشته و نیز الگوریتم هیبریدی کرم شبتابباعث بهبود عملکرد رگرسیون بردار پشتیبان در برآورد تبخیر روزانه شد.
