چکیده: مدیریت پایدار منابع آب در بخش کشاورزی؛ بخصوص در مناطق خشک و نیمه خشک؛ مستلزم آگاهی دقیق از مصارف آب می‌باشد. از این رو برآورد صحیح تبخیر- تعرق واقعی؛ به عنوان یکی از مولفه‌های اصلی بیلان آب؛ بسیار حائز اهمیت است. در تحقیق حاضر امکان برآورد تبخیر-تعرق واقعی روزانه در سطح حوضه‌ی آبریز نیشابور در طی ماه‌های آوریل تا اکتبر سال 2019 به کمک مدل یادگیری ماشین بردار پشتیبان حداقل مربعات (LSSVM) مورد ارزیابی قرار گرفت. به این منظور مجموع پارامترهای هواشناسی (دمای هوا، رطوبت نسبی و سرعت باد) و اطلاعات مستخرج از تصاویر ماهواره‌ای سنجنده‌ی مادیس (بازتابش باندهای 31 و 32 و شاخص دمای سطح) در قالب 3 سناریو به عنوان ورودی مدل مورد استفاده قرار گرفتند. سناریوی اول شامل داده‌های هواشناسی و بازتابش باند 31، سناریوی دوم شامل داده‌های هواشناسی و بازتابش باندهای 31 و 32، و سناریوی سوم شامل تمام ورودی‌ها بود. مقادیر تبخیر-تعرق واقعی حاصل از الگوریتم سبال به‌عنوان مقادیر بنچ مارک لحاظ شد. نتایج نشان داد که در تمامی ماه‌ها، سناریوی سوم در قیاس با دو سناریوی دیگر عملکرد بهتری داشته است به نحوی که کمترین و بیشترین کاهش خطا از سناریوی اول به سناریوی سوم به ترتیب برابر 1/6 درصد (ماه آوریل) و 6/37 درصد (ماه اوت) می‌باشد که بیانگر نقش موثر شاخص دمای سطح در برآورد تبخیر-تعرق واقعی است. علاوه بر این، اعمال سناریوی سوم در ماه ژوئن و اوت به ترتیب با مقادیر (096/0RRMSE=، 354/0RMSE=، 959/0NSE=) و (068/0RRMSE=، 295/0RMSE=، 964/0NSE=) و اعمال سناریوی دوم در ماه ژوئن و اوت به‌ترتیب با مقادیر (114/0RRMSE=، 423/0RMSE=، 941/0NSE=) و (091/0RRMSE=، 391/0RMSE=، 937/0NSE=) همراه بود. نتایج نشان داد که می‌توان با به‌کارگیری مدل LSSVM و تنها با اعمال داده‌های هواشناسی و بازتابش باندهای 31 و 32، تبخیر-تعرق واقعی را برآورد کرد. بنابراین روش پیشنهادی؛ از طریق کنترل برداشت آب؛ می‌تواند نقش بسزایی در مدیریت بلند مدت حوضه‌های آبریز داشته باشد.