Buharlaşma, hidrolojik çevrimin ana bileşeni olarak, su kaynaklarının geliştirilmesi ve yönetilmesi için önemlidir. Literatürde bulanık mantık ve yapay sinir ağlarına dayalı buharlaşma tahmin modelleri ile ilgili sınırlı sayıda çalışma bulunmaktadır. Bu nedenle, bu çalışmada buharlaşmanın tahmini için yapay sinir ağı ve bulanık yapay sinir ağı modelleri geliştirilmiştir. Bu çalışmada; Kayseri, Kırşehir, Nevşehir ve Yozgat illerindeki dört istasyondan alınan günlük ortalama sıcaklık (OS), minimum sıcaklık (MİS), maksimum sıcaklık(MAS), ortalama nem (ON) ve buharlaşma verileri kullanılmıştır. Çok katmanlı yapay sinir ağları (ÇKYSA), radyal tabanlı yapay sinir ağları (RTYSA), genelleştirilmiş regresyon yapay sinir ağları (GRYSA), bulanık yapay sinir ağı (ANFIS) ve çoklu doğrusal regresyon (ÇDR) metotları meteorolojik verilerden oluşan farklı giriş kombinasyonlarına uygulanarak tava buharlaşma tahminleri yapılmış, herbir değişkenin buharlaşmaya olan etkisi incelenmiş ve sonuçlar birbirleri ile karşılaştırılmıştır. Karşılaştırma kriterleri olarak karekök ortalama karesel hata (KOKH), ortalama mutlak hata (OMH) ve korelasyon katsayıları (R) kullanılmıştır. KOKH ve R kriterlerine göre 3 istasyonda RTYSA’nın ANFIS, ÇKYSA ve GRYSA modellerine göre daha iyi olduğu, sadece 1 istasyonda ÇDR’nin RTYSA’dan biraz daha iyi olduğu görülmüştür. OMH kriterine göre 2 istasyonda RTYSA’nın, 1 istasyonda ANFIS’in, kalan 1 istasyonda da ÇDR’nun RTYSA’dan biraz daha iyi sonuçlar verdiği görülmüştür

Evaporation, as a major component of the hydrologic cycle, is important in water resources development and management. The application of artificial neural networks and fuzzy logic to evaporation modeling are limited in the literature. Therefore, the artificial neural network and neurofuzzy models for estimation of pan evaporation using climatic variables were investigated in the study.The daily mean air temperature, minimum temperature, maximum temperature and mean humidity and pan evaporation data of four weather stations in Kayseri, Kırşehir, Nevşehir and Yozgat were used. Various input combinations of weather data were used as inputs to the multi-layer perceptron (MLP), radial basis neural networks (RBNN), generalized regression neural networks (GRNN), neuro-fuzzy (ANFIS) and multiple linear regression (MLR) so as to evaluate degree of effect of each of these data on evaporation and to compare the models with each other. Root mean square error (RMSE), mean absolute error (MAE) and correlation coefficient (R) were used as comparing criteria. According to the RMSE and R statistics, the RBNN was found to be superior to the ANFIS, MLP, GRNN and MLR for 3 stations and MLR was found to be slightly better than the RBNN for 1 station. According to the MAE statistic, the RBNN performed better than the others for 2 stations and the ANFIS and MLR were found to be better than the RBNN for the other 2 stations