رودخانه ها اهمیت بسیار زیادی در تامین آب آشامیدنی و کشاورزی دارند. بنابراین، مدیریت و کنترل کیفیت این منابع آبی از اهمیت ویژه ای برخوردار است. در این مطالعه، قابلیت روش های منفرد و هیبریدی-موجکی شبکه های عصبی، سامانه استنتاجی عصبی-فازی تطبیقی و برنامه ریزی بیان ژن برای مدلسازی میزان جامدات محلول حوضه آبریز نازلوچای ارزیابی و مقایسه شدند. بدین منظور از داده های کیفیت آب با طول دوره آماری 19 ساله(1390-1372)، چهار ایستگاه هیدرومتری واقع در حوضه آبریز نازلوچای استفاده شد. پس از بررسی صحت داده ها و ایستگاه های منتخب، با استفاده از تبدیل موجک دابچیز نوع چهارم، به آنالیز سیگنال های داده های مربوطه پرداخته شد. در مدلسازی از 80 درصد داده ها برای آموزش و 20 درصد داده ها برای آزمون مدل ها استفاده شده است. ارزیابی عملکرد مدل های به کار رفته بر اساس آزمون های آماری مختلف، ضریب همبستگی، ریشه میانگین مربعات خطا و میانگین قدر مطلق خطا انجام گرفت. نتایج بیانگر عملکرد قابل قبول همه روش های منفرد و هیبریدی-موجکی شبکه عصبی مصنوعی، سامانه استنتاجی عصبی-فازی تطبیقی و برنامه ریزی بیان ژن برای مدلسازی میزان جامدات محلول در حوضه آبریز نازلوچای می باشد. ولی، به ترتیب اولویت WGEP، GEP، WANFIS، ANFIS-SC،WANN ، ANFIS-GP و ANN دارای عملکرد بالاتری می باشند. همچنین مدل هیبریدی برنامه ریزی بیان ژن-موجکی با دارا بودن حداقل میزان RMSE به مقدار 078/21 بهترین عملکرد را در بین سایر مدل های منفرد و هیبریدی دارد.
