La estimación precisa de la evapotranspiración de referencia diaria de los cultivos (ET) es crítica para la gestión de los recursos hídricos y la optimización de la irrigación agrícola a nivel mundial. En China, las diversas zonas climáticas plantean desafíos para una predicción precisa de la ET. Aquí evaluamos el rendimiento de una máquina de vectores de soporte (SVM) y sus modelos híbridos, PSO-SVM y WOA-SVM, utilizando datos meteorológicos que abarcan desde 1960 hasta 2020. Nuestro estudio tiene como objetivo identificar una herramienta de estimación de ET de alta precisión y bajo consumo. Los hallazgos indican que los modelos híbridos, especialmente WOA-SVM, demostraron una precisión superior con valores de R que oscilan entre 0.973 y 0.999 y valores de RMSE entre 0.123 y 0.863 mm/d, superando al modelo SVM independiente con valores de R de 0.955 a 0.989 y valores de RMSE de 0.168 a 0.982 mm/d. El modelo SVM independiente mostró una precisión relativamente menor con valores de R de 0.822 a 0.887 y valores de RMSE de 0.381 a 1.951 mm/d. Especialmente, el modelo WOA-SVM, con valores de R de 0.990 a 0.992 y valores de RMSE de 0.092 a 0.160 mm/d, se destacó como el mejor rendimiento, mostrando los beneficios del algoritmo de optimización de ballenas en mejorar las capacidades predictivas de SVM. El modelo PSO-SVM también presentó un rendimiento mejorado, especialmente en la zona continental templada (TCZ), región monzónica subtropical (SMZ) y zona monzónica templada (TMZ), al utilizar datos meteorológicos limitados como entrada. El estudio concluye que el modelo WOA-SVM es una herramienta prometedora para la estimación diaria de ET de alta precisión con menos parámetros meteorológicos en las diferentes zonas climáticas de China.