La partición precisa de la evapotranspiración (ET) de tierras de cultivo en transpiración de plantas productivas (T) y evaporación de suelo no productiva (E) es importante para mejorar la eficiencia en el uso del agua de los cultivos. Muchos métodos, incluidos los métodos de aprendizaje automático, se han desarrollado para la partición de ET. Sin embargo, la aplicabilidad de los modelos de aprendizaje automático en la partición de ET de tierras de cultivo con diversas rotaciones de cultivos no está clara. En este estudio, se utilizan modelos de aprendizaje automático para predecir E, y T se obtiene calculando la diferencia entre ET y E, lo que lleva a la derivación de la proporción de transpiración a evapotranspiración (T/ET). Evaluamos seis modelos de aprendizaje automático (es decir, redes neuronales artificiales (ANN), árboles extremadamente aleatorios (ExtraTrees), árbol de decisión de aumento de gradiente (GBDT), máquina de aumento de gradiente ligero (LightGBM), bosque aleatorio (RF) y aumento de gradiente extremo (XGBoost)) en la partición de ET en 16 sitios de flujo de tierras de cultivo durante el período de 2000 a 2020. Los resultados de la evaluación mostraron que el modelo XGBoost tuvo el mejor rendimiento (R = 0,88, RMSE = 6,87 W/m, NSE = 0,77 y MAE = 3,41 W/m) al considerar los datos meteorológicos, el flujo de calor sensible del ecosistema, la respiración del ecosistema, el contenido de agua del suelo e índices de vegetación de teledetección como variables de entrada. Debido a la falta de datos observados de E o T en los 16 sitios de tierras de cultivo, utilizamos otros tres métodos ampliamente utilizados de partición de ET para validar indirectamente la precisión de nuestros resultados de partición de ET basados en XGBoost. Los resultados mostraron que nuestros resultados de estimación de T fueron altamente consistentes con sus resultados de estimación de T (R = 0,83-0,91). Además, basándonos en el modelo XGBoost y los otros tres métodos de partición de ET, estimamos la proporción de transpiración a evapotranspiración (T/ET) para diferentes cultivos. En promedio, el maíz tuvo el mayor T/ET de 0,619 +/- 0,119, seguido por la soja (0,618 +/- 0,085), el trigo de invierno (0,614 +/- 0,08) y la remolacha azucarera (0,611 +/- 0,065). Se encontró un T/ET más bajo para el arroz de secano (0,505 +/- 0,055), la cebada de invierno (0,590 +/- 0,058), la patata (0,540 +/- 0,088) y la colza (0,522 +/- 0,107). Estos resultados sugieren que los modelos de aprendizaje automático son fáciles y aplicables para la estimación de T/ET en tierras de cultivo con diferentes rotaciones de cultivos y revelan diferencias obvias en el uso del agua entre diferentes cultivos, lo cual es crucial para la sostenibilidad de los recursos hídricos y mejoras en la eficiencia del uso del agua en tierras de cultivo.