تبخیروتعرق یکی از اجزای اصلی چرخه هیدرولوژی و تخمین نیاز آبیاری است. در این تحقیق پتانسیل سیستم استنتاج تطبیقی عصبی-فازی (ANFIS) و شبکه عصبی مصنوعی (ANN) در برآورد تبخیروتعرق مرجع (ETo) روزانه مورد بررسی قرار گرفت. از داده های روزانه سالهای 1389و 1390 مربوط به ایستگاه هواشناسی سنندج استفاده شد. داده های مورد استفاده در این تحقیق، شامل دمای ماکزیمم، دمای مینیمم، رطوبت نسبی حداکثر، رطوبت نسبی حداقل، سرعت باد و ساعت آفتابی بوده و تبخیروتعرق محاسبه شده به روش فائو پنمن مانتیث به عنوان خروجی استفاده شد. همچنین برآوردهای ETo از روش های (ANFIS) و (ANN) با مدل های تجربی ماکینگ، پرستی تیلور، فائو بلانی کریدل، هارگریوز سامانی و ریچی مقایسه شد. برای مقایسه کارایی روش های مختلف از آماره های ریشه میانگین مجور خطا (RMSE)، ضریب کارایی(CE) و ضریب همبستگی (R)، میانگین قدرمطلق خطا (MAE) استفاده گردید. نتایج نشان داد که روش های مبتنی بر شبکه های عصبی و سیستم استنتاج عصبی-فازی می توانند مقدار تبخیروتعرق مرجع روزانه را با دقت بالایی برآورد نمایند. نتایج آنالیز حساسیت نشان داد که دمای ماکزیمم (Tmax) به عنوان موثرترین پارامتر در برآورد تبخیروتعرق مرجع می باشد. نتایج همچنین نشان داد که ترکیب منطق فازی با شبکه عصبی مصنوعی سبب بهبود نتایج شبکه عصبی مصنوعی نمی گردد و نتایج شبکه عصبی مصنوعی در برآورد تبخیروتعرق با اختلاف ناچیز بهتر از روش عصبی-فازی بود. همچنین در کلیع ساختارهای مدل هوشمند عصبی، قانون آموزش لونبرگ- مارکوارت با تابع تانژانت منجر به نتایج دقیق تری نسبت به سایر توابع و قوانین آموزشی شد.
