Este estudio examinó el rendimiento de los modelos de aprendizaje automático de bosque aleatorio (RF), máquina de vectores de soporte (SVM) y refuerzo adaptativo (AB) utilizados para estimar la evapotranspiración del cultivo diario de papas ajustado (ET) bajo riego completo (I), el suministro de riego al 50% (I) y el cultivo de secano (I). Se consideraron cinco escenarios de disponibilidad de datos meteorológicos, de cultivo y de suelo: (S1) evapotranspiración de referencia y precipitación, (S2) S1 y coeficiente de cultivo, (S3) S2, fracción de agua total disponible y profundidad de raíces, (S4) S2 y agua total disponible en el suelo, y (S5) S3 y agua total disponible en el suelo. El rendimiento de los modelos de aprendizaje automático se comparó con el procedimiento de cálculo estándar FAO56. Las estimaciones de ET más precisas se observaron con AB4 para I, RF3 para I y AB5 para I con coeficientes de determinación (R) de 0.992, 0.816 y 0.922, pendientes de 1.004, 0.999 y 0.972, eficiencias de modelado (EF) de 0.992, 0.815 y 0.917, errores absolutos medios (MAE) de 0.125, 0.405 y 0.241 mm día, errores cuadráticos medios (RMSE) de 0.171, 0.579 y 0.359 mm día y errores cuadráticos medios (MSE) de 0.029, 0.335 y 0.129 mm día, respectivamente. Se sugiere el modelo AB para la predicción de ET bajo condiciones I e I, mientras que se recomienda el modelo RF bajo la condición I.