امروزه جهان با بحران کمبود منابع آب باکیفیت مواجه است و هر روز بر این نگرانی افزوده می شود. بنابراین نیاز به برنامه ریزی در استفاده از این منابع بیش از پیش احساس می شود. برنامه ریزی ها در حوضه منابع آب نیازمند مطالعه متغیر های متعدد تأثیرگذار در تولید و مصرف آب است. یکی از متغیر های مهم در این زمینه، تبخیر-تعرق است که اندازه گیری دقیق آن بدلیل نیاز به تجهیزات در همه جا امکان پذیر نیست. از این رو توجهات بیشتر به سوی روش های ارزان قیمت برآورد تبخیر-تعرق شده است. در این پژوهش از 11 معادله تجربی و چهار روش داده محور شامل شبکه تطبیقی مبتنی بر سیستم استنتاج فازی، ماشین بردار پشتیبان، شبکه های عصبی مصنوعی و مدل درختی m5 در تخمین تبخیر-تعرق بهره گرفته شد. ترکیب های مختلف متغیر های هواشناسی به عنوان ورودی استفاده شد. این متغیرها از 16 ایستگاه سینوپتیک مربوط به شرایط اقلیمی مختلف ایران از گستره اقلیم فراخشک تا اقلیم فرا مرطوب جمع آوری شد. دقت مقادیر برآورد شده مدل ها توسط معیارهای آماری میانگین مربعات خطا، ضریب تبیین، میانگین مطلق خطا و شاخص توافق ارزیابی شدند. نتایج نشان داد که میانگین مربعات خطای مدل ها برتر داده محور در بین 16/0 تا 34/3 ، 24/0 تا 32/2، 38/0 تا 68/1، 2/0 تا 37/1، 27/0 تا 37/1 میلیمتر بر روز به ترتیب در اقلیم های خشک، نیمه خشک، مدیترانه ای، مرطوب و فرا مرطوب قرار دارد. همچنین میانگین مربعات خطای برآورد معادلات تجربی تبخیر-تعرق بین 66/0 تا 65/5 ، 16/0 تا 96/5، 76/0 تا 42/3، 4/0 تا 43/2 و 53/0 تا 18/4 میلیمتر بر روز به ترتیب در اقلیم های خشک، نیمه خشک، مدیترانه ای، مرطوب، فرا مرطوب متغیر است. مدل های anfis و ann در میان مدل های داده محور به مراتب نتایج بهتری را ارائه نمودند و پس از آن ها svm و m5 در رتبه های بعدی عملکرد خوب قرار دارند. در غالب اقلیم های مورد مطالعه، معادله بلانی-کریدل و مک گاینس- بردنه عملکرد بهتری را نسبت به سایر معادلات فراهم کردند. تحلیل های بیشتر نشان داد که متغیر های دما و سرعت باد در اکثر اقلیم های مورد بررسی، تاثیرگذارترین متغیرهای هواشناسی در افزایش دقت مدل های داده محور هستند.