طی چند سال، استفاده از ابزارها و مدل‌های یادگیری و روش‌های نوین هوشمند، برای برآورد تبخیر و تعرق گیاه مرجع، به طور گسترده‌ رو به رشد بوده است. بنابراین، لازم است تا درستی این مدل‌ها و روش‌ها برای مناطق مختلف بررسی شود. منطقه‌ی سیستان، یکی از مناطق حاصلخیز کشور است که متأسفانه سالیان متمادی است که پدیده‌ی خشکسالی، کشاورزی پررونق را در این منطقه بی‌رمق کرده است. از این‌رو، هرگونه بی‌توجهی به مقوله‌ی آب در این منطقه می‌تواند خسارت سنگینی برای آن محسوب شود. در این تحقیـق، پارامترهای اقلیمی مؤثر در محاسبه‌ی تبخیر و تعرق مرجـع روزانـه در دشت سیستان شناسـایی و توسط سناریوهای مختلف (از M₁ تا M₂₅) از ترکیب پارامترهای هواشناسی (از ایستگاه‌های مختلف هواشناسی شهرستان زابل بین سال‌های 2009-2018 تأمین شد) به‌عنوان ورودی مـدل‌های درخت تصمیم، جنگل تصادفی و یادگیری عمیق، بررسی و بهترین الگو توسط مدل استخراج شد. سپس، میزان دقت حاصل از نتایج این مدل‌ها، با روش تجربی پنمن مانتیث فائو، به‌عنوان روش مبنا مقایسه شد. نتایج نشان دادند که سناریوی M₁₀ با بیشترین ضریب همبستگی (R=0.983) و کمترین خطا (1.003=RMSE) به‌عنوان بهترین الگو در مدل درخت تصمیم است. در مدل جنگل تصادفی، باز هم برترین سناریو الگوی M₁₀ با RMSE=1.003، 0.8=MAE و  R=0.981به‌عنوان الگوی برتر شناخته شد و همچنین در مدل یادگیری عمیق الگوی M₅ با 0.517=، MAE=0.399 ،RMSE و 0.996=RMSE به‌عنوان بهترین الگوی در مدل یادگیری عمیق در منطقه مورد مطالعه برگزیده شد. برای بررسی اهمیت پارامترهای مختلف هواشناسی در نتایج مدل‌های مذکور، از بین تمامی ‌پارامترهای مدل درخت تصمیم، به‌ترتیب دمای میانگین، تندی باد، دمای بیشینه و دمای حداقل و در مدل جنگل تصادفی پارامترهای مؤثر به‌ترتیب دمای حداکثر، تندی باد، دمای میانگین و تبخیر از تشت و در مدل یادگیری عمیق، به‌ترتیب دمای میانگین، دمای بیشینه، تندی باد و رطوبت حداقل بیشترین تأثیر و اهمیت را در مقدار تبخیر و تعرق روزانه دارند. به‌عنوان نتیجه‌گیری کلی، می‌توان گفت که مدل یادگیری عمیق به‌عنوان بهترین مدل در بین مدل‌های انتخابی است و همچنین، سناریوی M₅ در مدل یادگیری عمیق از دقت بالاتری (R=0.996 و 0.517=RMSE) برای مدل‌سازی تبخیر و تعرق پتانسیل مرجع برخوردار است.