تبخیر- تعرق یکی از مهم ترین اجزای چرخه هیدرولوژیکی است . برآورد دقیق از این پارامتر برای مطالعات مانند بیلان آب ، طراحی سیستم آبیاری و مدیریت منابع آب مورد استفاده قرار می گیرد . به منظور برآورد تبخیر- تعرق ، روش اندازه گیری مستقیم و یا مدل های فیزیکی و تجربی را می توان مورد استفاده قرار داد . ممکن است استفاده از این روش ها به علت ماهیت پیچیده فرایند تبخیر-تعرق ودر دسترس نبودن کل داده ها و پرهزینه و زمان بر بودن از دقت کافی برخوردار نباشد. در دهه های اخیر ، به کارگیری شبکه های عصبی مصنوعی توانایی بالای آن ها را برای برآورد پارامترها و مدل سازی سیستم های پیچیده نشان داده است. در این پژوهش ،از شبکه عصبی مصنوعی برای برآورد تبخیر- تعرق بالقوه روزانه گندم و ذرت استفاده شده است. 10 مدل شبکه عصبی مصنوعی با ساختارهای مختلف برای هر گیاه طراحی شده است. داده های روزانه هواشناسی ] حداکثر دما(tmax)، حداقل دما(tmin)، درجه حرارت میانگین(tave)، حداکثر رطوبت نسبی(rhmax)، حداقل رطوبت نسبی(rhmin)، رطوبت نسبی میانگین (rhave)، سرعت باد(u2)، ساعات آفتابی(n)، تابش خالص(rn) [ ، شاخص سطح برگ(lai) و ارتفاع گیاه(h) به عنوان ورودی استفاده شد. برای پنج ساختار از هر ده ساختار ، مقادیر etc محاسبه شده توسط معادله eto) etc = eto * kc حاصل از معادله پنمن – مانتیث و kc از نشریه (fao -56 به عنوان خروجی و در پنج ساختار دیگرمقادیر etc اندازه گیری شده توسط لایسیمتر به عنوان خروجی استفاده شد. در تمام ساختارها از شبکه عصبی مصنوعی پرسپترون چند لایه پیشخوردار با یک یا دو لایه پنهان و تابع انتقال سیگموئیدی و الگوریتم آموزش br یا lm استفاده شد. شبکه های مورد نظر بر اساس معیارهای آماری مختلف انتخاب شد. نتایج نشان داد که شبکه های عصبی مصنوعی ، به خصوص شبکه های عصبی مصنوعی دو لایه، دارای عملکرد مناسب و دقت قابل قبولی در برآورد تبخیر- تعرق روزانه می باشد. بهترین مدل برای برآورد تبخیر- تعرق روزانه ذرت شبکه عصبی( 8-4-2-1 ) « m » ann1c است، که در آن پارامترهای tmax و tmin و rhmax و rhminو u2و nو laiو hبه عنوان داده های ورودی و الگوریتم آموزشlm و مقادیر پارامترهای آماری r2, d, nrmse در مرحله آزمون به ترتیب برابر 178/0 و 980/0 و 982/0 می باشد. همچنین بهترین مدل برای برآورد تبخیر- تعرق روزانه گندم شبکه عصبی« w » ann5c ، ( 5-2-3-1 ) است، که در آن پارامتر های tmax و tminو rnو laiوh داده های ورودی و الگوریتم آموزش lm و مقادیر پارامترهای آماری r2, d, nrmse در مرحله آزمون به ترتیب برابر 108/0 و 987/0 و 981/0 می باشد. به علاوه تخمین بهتر etc برای هر دو گیاه گندم و ذرت در حالتی که تبخیر- تعرق روزانه محاسبه شده به عنوان خروجی شبکه به کار برده شده ، حاصل شده است. بنابراین، شبکه های عصبی مصنوعی روش مناسبی برای برآورد تبخیر- تعرق گیاهان گندم و ذرت است.