La información de evapotranspiración de referencia (ET) es crucial para la planificación de riego y la gestión de recursos hídricos. Aunque la ecuación de Penman-Monteith (PM) es ampliamente reconocida para el cálculo de la ET, su dependencia de numerosos parámetros meteorológicos limita su aplicación práctica. Este estudio utilizó 28 años de datos meteorológicos de 18 estaciones en cuatro regiones geográficas de Taiwán para evaluar la efectividad de un modelo de inteligencia artificial (IA) para estimar la ET calculada por PM utilizando variables meteorológicas limitadas como entrada y compararlo con métodos tradicionales. Los modelos de IA también se utilizaron para pronosticar la ET a corto plazo con variables meteorológicas limitadas. Los hallazgos sugirieron que los modelos de IA tuvieron un mejor rendimiento que sus métodos contrapartes para la estimación de la ET. La red neuronal artificial que utilizaba temperatura, radiación solar y humedad relativa como variables de entrada tuvo el mejor desempeño, con un coeficiente de correlación () que oscilaba entre 0.992 y 0.998, un error absoluto medio (MAE) que oscilaba entre 0.07 y 0.16 mm/día, y un error cuadrático medio (RMSE) que oscilaba entre 0.12 y 0.25 mm/día. Para el pronóstico de la ET a corto plazo, el modelo de memoria a corto plazo a largo plazo que utilizaba temperatura, radiación solar y humedad relativa como variables de entrada fue la mejor estructura para pronosticar la ET cuatro días por delante, con un que oscilaba entre 0.608 y 0.756, un MAE que oscilaba entre 1.05 y 1.28 mm/día, y un RMSE que oscilaba entre 1.35 y 1.62 mm/día. El error porcentual de esta estructura estuvo dentro del 5% para la mayoría de las estaciones meteorológicas durante el período de prueba de un año, subrayando el potencial de los modelos propuestos para ofrecer pronósticos diarios de ET con una precisión aceptable. Finalmente, los modelos de estimación y pronóstico propuestos se desarrollaron en escenarios regionales y con variables limitadas, lo que los hace altamente ventajosos para aplicaciones prácticas.