تبد دقیق نیاز آبی گیاه، تاثیر شایانی بر کاهش معضل بحران آب، خواهد داشت. علی رغم اهمیت تبخیر-تعرق در برنامه ریزی و مدیریت منابع آبی، وابستگی آن به مولفه های اقلیمی از یک سو و تاثیرپذیری این مولفه ها از یکدیگر از سویی دیگر تخمین تبخیر-تعرق را دشوار ساخته است. در این راستا، ابتدا بر اساس رابطه ی فائو پنمن-مانتیث، میزان تبخیر-تعرق پتانسیل ماهانه در ایستگاه های سینوپتیک مورد انتخاب از داده های هواشناسی ماهانه محاسبه و به عنوان ورودی مدل های هیبریدی فراکاووشی شامل شبکه عصبی مصنوعی (ANN)، بردار پشتیبان ارتقا یافته (ESVM)، مدل یادگیری ترکیبی متا (Stacking) استفاده می شود. همچنین در این تحقیق برای ارزیابی دقت مدلها از سه معیار ریشه میانگین مربعات خطا، ضریب همبستگی و میانگین قدر مطلق خطا استفاده شد. از بررسی نتایح همه ایستگاه ها مشاهده شد، تمام مدل های پیش بینی پارامتر تبخیر و تعرق مرجع از کارایی خوبی برخوردار هستند. اما مدل Stacking در همه ایستگاه های مورد مطالعه در بهترین سناریوها از مقادیر کمترین میانگین قدر مطلق خطا (گرگان: 0.25، گنبد: 0.08، کردکوی: 0.25، بندر ترکمن: 0.8، علی آباد: 0.33 و مینودشت: 0.97 ) و ضریب تبیین بسیار زیاد (گرگان: 0.996، گنبد: 0.99، کردکوی: 0.99، بندر ترکمن: 0.996، علی آباد: 0.991 و مینودشت: 0.992) و کمترین ریشه دوم مربعات خطا (گرگان: 6.849، گنبد: 9.919، کردکوی: 9.671، بندر ترکمن: 6.561، علی آباد: 9.123 و مینودشت: 8.73) برخوردار می باشد. همچنین بعد از مدل Stacking در همه ایستگاهها مدل ANN و سپس مدل ESVM از دقت بالاتری نسبت به بقیه مدلها برخوردار می باشند