La predicción precisa de la evapotranspiración de referencia (ET) es importante para la gestión de recursos hídricos, particularmente en regiones áridas donde la disponibilidad de agua es altamente variable. Sin embargo, las características no lineales y no estacionarias de las series temporales de ET presentan desafíos para los modelos de predicción convencionales. Dado esto, en este estudio evaluamos ocho modelos híbridos de descomposición que integran diversas técnicas de descomposición con una red de memoria a corto y largo plazo (LSTM) para mejorar la previsión a corto plazo (5 días, 7 días y 10 días) de ET. Utilizando un conjunto de datos de 40 años de una estación meteorológica, empleamos la ecuación de Penman-Monteith para calcular ET y comparamos sistemáticamente el rendimiento del modelo. Los resultados muestran que VMD-LSTM y EWT-LSTM logran la mayor precisión en el conjunto de prueba (R = 0.983 y 0.992, respectivamente) pero exhiben una robustez reducida en la fase de predicción debido a componentes de alta frecuencia excesivos. En contraste, EMD-LSTM y ESMD-LSTM demuestran una estabilidad predictiva superior, sin diferencias significativas con respecto a los valores reales (> 0.05). Estos hallazgos subrayan la importancia de seleccionar métodos de descomposición apropiados para equilibrar la información de alta frecuencia y la precisión predictiva, ofreciendo perspectivas para mejorar la previsión de ET en regiones áridas.