محدودیت منابع آب از مهمترین عواملی است که توسعه کشاورزی را در مناطق خشک و نیمه خشک تحت تاثیر قرار می دهد. از طرفی استفاده بهینه از منابع آبی موجود خود مستلزم محاسبه درست میزان آب مصرفی و نظارت دقیق بر چگونگی بیلان آب در حوضه های مورد مطالعه می باشد. از این رو برآورد صحیح میزان آب تبخیروتعرق و تعرق به عنوان یکی از ارکان اساسی در برنامه ریزی و مدیریت منابع آب از اهمیت ویژه و درجه اثرگذاری بالایی برخوردار است. عمده ترین مشکل در این زمینه کثرت اطلاعات مورد نیاز در روش های محاسباتی دقیق چون فائو پنمن مانتیث، و فقدان این اطلاعات است. که ضرورت استفاده از روش های دیگر را سبب می شود. استفاده از داده های تشتک تبخیر به دلیل کثرت آن در مقایسه با ایستگاههای سینوپتیک می تواند یکی از روش های برآورد تبخیروتعرق باشد که دخالت ضریب Kp از دقت برآورد مدل کاسته است. بگونه ای که بر اساس مطالعات انجام شده در میان 20 روش موجود، این روش جایگاه آخر را بخود اختصاص میدهد. پژوهش حاضر می کوشد تا ضمن مدل نمودن روش تشتک تبخیر توسط شبکه ها عصبی مصنوعی، قابلیت این مدل ها در استخراج ضرایب Kp مورد بررسی قرار داده و منجر به ارائه راهکار مطلوب تری در حوزه های با آمار ناکافی گردد. مدل های مورد استفاده در این تحقیق از نوع پرسپترون چند لایه با قانون یادگیری پس انتشار خطا بوده که بر روی آمار روزانه ایستگاه سینوپتیک هواشناسی طی سالهای 1990 تا 2000 میلادی اعمال شده است. پس از طراحی شبکه های مورد نظر، نتایج بدست آمده از هر شبکه به لحاظ شاخص های آماری RMSE, MBE, MAE,R2, b,SEE,SEE با نتایج بدست آمده از روش های فائو پنمن مانتیث، تشتک تبخیر، بلانی کریدل، هارگریوز سامانی و جنسن هیز اصلاح شده مقایسه گردید. د گام دیگر از شبکه عصبی مصنوعی جهت تعیین ضریب Kp و خروجی مدل با ضرایب استخراج شده از جداول پیشنهادی فائو مقایسه شد. بر اساس نتایج بدست آمده، عملکرد بسیار عالی شبکه های عصبی مصنوعی در مقایسه با روش تشتک تبخیر به روشنی می تواند استفاده از ضریب تشتک را در شرایطی که داده های موجود جهت طراحی شبکه ها کفایت می کنند، منسوخ سازد. چرا که نتایج حاصل از مدل ها به لحاظ شاخص های در نظر گرفته شده، بمراتب بهتر از زمانی بود که از جدوال پیشنهادی سازمان فائو استفاده شد.
