تغییرات اقلیمی و تاثیر آن در وضعیت منابع آبی میتواند از جنبههای مختلف زندگی و حیات بشر در روی زمین را به مخاطره بیاندازد. در این مطالعه، با استفاده از روشهای منفرد و هیبریدی-موجکی شبکه عصبی مصنوعی، سامانه استنتاجی فازی عصبی )دستهبندی تفریقی( و برنامهریزی بیان ژن به مدلسازی پارامتر جریان پرداخته شده است. بدین منظور از دادههای اقلیمی ماهانه با طول دوره آماری 21 ساله ) 1395-1375 ( جریان، دما و بارش ایستگاه تپیک واقع در رودخانه نازلوچای ارومیه استان آذربایجانغربی استفاده شده است. در این مطالعه تاثیر پارامترهای جریان تاخیری، بارش، دما و اثر فصلی )ضریب ماهانه( در مدلها بررسی شده است. نتایج حاکی از عملکرد برتر مدلهای هیبریدی- موجکی نسبت به مدلهای منفرد محاسبات نرم و تاثیر مثبت اعمال اثر فصلی در مدلسازی جریان رودخانهای میباشد. همچنین تبدیل موجک با آنالیز دادهها و تفکیک نویزها توانایی ارتقاء بخشیدن به عملکرد مدلهای هیبریدی نسبت به مدلهای منفرد را امکانپذیر مینماید. در مدل بهینه هیبریدی موجکی برنامه ریزی بیان ژن، مقادیر شاخصهای ارزیابی ضریب همبستگی و ریشه میانگین مربعات خطا به ترتیب برابر 978 / 0 (حداکثر) و 326 / 2 (حداقل) به دست آمده است.
