تبخیر-تعرق نقش مهمی در مدیریت منابع آب منطقه‌ای، تغییرات آب و هوایی و تولید کشاورزی دارد. در این تحقیق، کارآیی برخی از تکنیک‌های داده محور شامل ماشین بردار پشتیبان (SVM)، شبکه‌های عصبی مصنوعی (ANN) و ترکیب آن با تبدیل موجک (WANN)، رگرسیون خطی چند متغیره (MLR ) و درخت تصمیم (Decision Tree) برای پیش‌بینی نرخ تبخیر-تعرق در ایستگاه اسکاتس‌بلوف در ایالت نبراسکا بررسی شده است. برای این منظور، از 5 پارامتر هواشناسی (دمای کمینه، دمای بیشینه، رطوبت نسبی، سرعت باد و تابش خورشیدی) به عنوان ورودی برای مدل‌ها استفاده شده است. داده‌های استفاده شده در این تحقیق اطلاعات هواشناسی روزانه بین سال‌های 2005 و2013 برای آموزش و آزمون مدل‌ها بوده است. به منظور اجرای هر یک از مدل‌ها 8 سناریو با توجه به ترکیب پارامترهای ورودی درنظر گرفته شده است. برای ارزیابی عملکرد تکنیک‌های مورد مطالعه، از سه شاخص آماری مختلف یعنی ریشه میانگین مربع خطا (RMSE)، ضریب همبستگی (R) و ضریب نش‌ساتکلیف (NSE) استفاده، که بدین وسیله نتایج مدل‌ها با داده‌های مشاهداتی بررسی شد. علاوه بر این، نمودارهای تیلور برای آزمایش شباهت بین داده‌های مشاهده شده و پیش‌بینی شده استفاده شد. نتایج نشان داد که در ایستگاه اسکاتس‌بلوف، 8WANN (هشتمین ترکیب ورودی برای مدل WANN است) با توجه به مقادیر ریشه میانگین مربع خطا (RMSE)، ضریب همبستگی (R) و ضریب نش‌ساتکلیف به ترتیب برابر با 097/0 میلیمتر در روز، 999/0 و 999/0 عملکرد بهتری در مقایسه با ANN ، SVM، MLR وDT داشته است. مدل‌های SVM و ANN نیز دقت بسیار خوبی را نشان دادند، و مدل‌های DT و MLR با وجود قابل قبول بودن دقت در آن‌ها از سایر مدل‌ها ضعیف‌تر عمل کردند. به عنوان یک نتیجه‌گیری، نتایج حاصل از مطالعه فعلی ثابت کرد که WANN روندهای معقولی را برای مدل‌سازی اسکاتس‌بلوف در ایستگاه اسکاتس‌بلوف ارائه کرده است.