امروزه در دنیا، آب و منابع آب، یکی از پایه های اصلی توسعه پایدار به شمار می رود. تغییر و تحول کمی و کیفی منابع آب تحت تأثیر فعالیت های مختلف در هر حوضه هیدرولوژیکی رخ می دهد که با توجه به محدودیت منابع آب، جلوگیری از آن بسیار مهم و حیاتی می باشد. در زمینه تبخیر از تشتک مدل های زیادی ارائه شده است که بیشتر این مدل ها نیازمند پارامترهای ورودی هستند که یا دسترسی به آنها مشکل است و یا اندازه گیری آنها محتاج صرف هزینه و زمان زیادی می باشد. در این تحقیق از دو مدل، شبکه عصبی مصنوعی و رگرسیون خطی جهت برآورد تبخیراز تشتک در ایستگاه¬های زابل، زهک، زاهدان، خاش، ایرانشهر، چابهار و سراوان بصورت روزانه استفاده شده است. در این مطالعه بهترین ترکیب برای ورودی شبکه برای هر هفت ایستگاه بطور یکسان میانگین دما، میانگین رطوبت نسبی، سرعت باد، ساعات آفتابی می باشد. پس از اجرای برنامه مذکور نتایج تحلیل آماری ann برای ایستگاه زابل r2= 0.87، rmse= 2.55، و mae= 1.25 نتایج تحلیل آماری رگرسیون ایستگاه زابل r2= 0.82، rmse= 2.55، و mae= 1.25 برای ایستگاه زهک نتایح مدل ann و رگرسیون خطی به ترتیب r2= 0.95، rmse= 1.2، و mae= 0.84 ، r2= 0.95، rmse= 2.6، و mae= 2.46 برای ایستگاه زاهدان نتایح مدل ann و رگرسیون خطی به ترتیب r2= 0.68، rmse= 1.55، و mae= 1.2 ، r2= 0.68، rmse= 4.77، و mae= 4.53برای ایستگاه خاش نتایح مدل ann و رگرسیون خطی به ترتیب r2= 0.45، rmse= 1.1، و mae= 0.82 ، r2= 0.21، rmse= 3.56، و mae= 3.18 برای ایستگاه ایرانشهر نتایح مدل ann و رگرسیون خطی به ترتیب r2= 0.85، rmse= 1.2، و mae= 0.82 ، r2= 0.82، rmse= 2.71، و mae= 2.6 برای ایستگاه چابهار نتایح مدل ann و رگرسیون خطی به ترتیب r2= 0.75، rmse= 1.45، و mae= 1.1 ، r2= 0.72، rmse= 3.1، و mae= 2.9و ایستگاه چابهار نتایح مدل ann و رگرسیون خطی به ترتیب r2= 0.55، rmse= 1.66، و mae= 1.24 ، r2= 0.32، rmse= 2.33، و mae= 2.12نتایج در این هفت ایستگاه نشان از برتری بهتر مدل شبکه عصبی مصنوعی در پیش بینی فرآیند تبخیر از تشتک نسبت به رگرسیون خطی می باشد.