تبخیر یکی از فرایندهای اصلی چرخه هیدرولوژیکی است. در اقلیم‌های گرم، تلفات آب ناشی از تبخیر از رودخانه‌ها، کانال‌ها و سطوح آزاد آبی عاملی حیاتی است، لذا استفاده از مدل‌های پیش‌بینی در این زمینه امری ضروری است. در این تحقیق کارایی سه مدل پیشرفته شبکه عصبی پرسپترون، الگوریتم جنگل تصادفی و رگرسیون فرایند گاوسی در پیش‌بینی پارامتر تبخیر مورد بررسی قرار گرفت. بدین منظور از اطلاعات روزانه میانگین سرعت باد ، میانگین دما، میانگین رطوبت نسبی و تبخیر در یک دوره شش ساله ایستگاه اقلیم‌شناسی کشت و صنعت دهخدا اهواز استفاده شد؛ سپس خروجی مدل‌ها با داده‌های اندازه‌گیری شده مقایسه شد. تجزیه‌وتحلیل توسط نرم‌افزار متلب 2022 انجام شد. نتایج ارزیابی عملکرد مدل‌ها همانند R2، RMSE، نشان داد که در مدل پرسپترون داده‌ها در مرحله آموزش (R2=0.92) و(RMSE=1.44) عملکرد بهتری نسبت به صحت سنجی (R2=0.87) و (RMSE=1.77) و آزمون(R2=0.91) و (RMSE=1.68) دارد، همچنین نتایج ارزیابی کلی مدل (R2=093) و (RMSE=1.40) نشانگر دقت بالای مدل در شبیه‌سازی تبخیر است؛ در الگوریتم جنگل تصادفی و رگرسیون فرایند گاوسی نتایج ارزیابی به ترتیب (R2=093) و (RMSE=1.41)، (R2=093) و (RMSE=1.42) بود که نشان‌دهنده دقت بالای سه مدل برای پیش‌بینی تبخیر است؛ بنابراین می‌توان از مدل شبکه عصبی مصنوعی پرسپترون (MLP) در مرتبه اول، الگوریتم جنگل تصادفی در مرتبه دوم و در مرتبه سوم از رگرسیون فرایند گاوسی جهت پیش‌بینی تبخیر استفاده کرد.