تخمین مناسب تبخیر و تعرق به منظور مدیریت منابع آب، برنامه ریزی آبیاری و ارزیابی اثرات تغییر کاربری اراضی بر روی بازده و تامین نیاز آبی گیاهان بسیار مهم و حیاتی می باشد. مدل های فیزیکی و نیمه تئوری پیشنهاد شده برای مدلسازی تبخیرتعرق پتانسیل ، اغلب پیچیده بوده و به متغیرهای هواشناسی زیادی نیاز دارند. به همین دلیل مدل ها و تکنیک های دیگری نظیر رگرسیون چندگانه، تحلیل عاملی، شبکه عصبی مصنوعی و روش های نوین داده کاوی جهت برآورد این کمیت و تعیین عوامل تاثیر گذار به کار می روند. اخیرا روش های جدید داده کاوی به صورت موفقیت آمیز در علوم محیطی استفاده شده اند. به کمک داده کاوی، می توان مقدار تبخیر و تعرق را تخمین زد که در صورت مورد قبول بودن نتایج، استفاده از آن قابل توصیه خواهد بود. به طور کلی اهداف این تحقیق، انتخاب مناسب ترین الگوریتم داده کاوی برای پیش بینی تبخیرتعرق پتانسیل ماه آتی از بین شش الگوریتم داده کاوی، تعیین موثرترین متغیرهای هواشناسی موثر بر مدلسازی تبخیرتعرق پتانسیل برای ماه آتی می باشد. به این منظور از داده های ماهانه ایستگاه سینوپتیک قزوین که دارای آمار طویل المدت و معتبر سازمان هواشناسی کشور می باشد در دوره آماری 2005-1960 استفاده گردید. این داده ها شامل: سرعت باد، متوسط رطوبت نسبی، متوسط فشار بخار، ساعات آفتابی و متوسط دما هستند. تبخیرتعرق به روش پنمن- مونتیث و سپس از الگوریتم های m5p، kstar، m5rules، reptree، chaid و cart به منظور برآورد تبخیرتعرق استفاده شد و عملکرد آنها با استفاده از شاخص های آماری مورد آزمون قرار گرفت. نتایج نشان داد در تخمین تبخیر تعرق برای ماه آتی در ایستگاه قزوین مدل m5rules دارای بالاترین عملکرد را بین مدل های دیگر داشته داشته و لذا بهترین مدل در تخمین تبخیرتعرق پتانسیل برای ماه آتی می باشد.