پیش بینی عمق سطح آب زیرزمینی و برآورد نوسانات آن، یکی از اقدامات لازم در جهت برنامه ریزی های جامع مدیریتی در رابطه با منابع آب زیرزمینی می باشد. با توجه به روابط غیرخطی و پیچیده حاکم بر جریان آب زیرزمینی، طراحی مدلی دقیق و در عین حال ساده ضرورتی اجتناب ناپذیر در جهت پیش بینی رفتار منابع آب زیرزمینی محسوب می گردد. امروزه سیستم های خبره و از آن جمله شبکه های عصبی مصنوعی و سیستم های استنتاج نرو-فازی به عنوان ابزاری مفید و قابل اعتماد جهت مدل سازی نگاشت های پیچیده مورد توجه قرار گرفته اند. هدف از این تحقیق بسط مدل های هوشمند شبکه عصبی و سیستم استنتاج عصبی-فازی برای پیش بینی نوسانات سطح ایستابی سیستم منابع آب زیرزمینی دشت دهگلان می باشد. بدین منظور مقادیر زمانی عمق سطح ایستابی ، بارندگی، تبخیر و درجه حرارت برای بسط مدل های پیشنهادی استفاده گردید و مدل های دینامیکی، استاتیکی و هیبرید با استفاده از شبکه های عصبی و سیستم استنتاج نرو-فازی جهت شبیه سازی نوسانات سطح ایستابی توسعه داده شد. در انتها مدل های پیشنهادی با استفاده از فرایند تحلیل سلسله مراتبی( AHP) مقایسه و اولویت بندی گردید. نتایج حاصل از تحقیق نشان داد که مدل های دینامیکی و استاتیکی به ترتیب دارای بیشترین و کمترین دقت در پیش بینی نوسانات سطح ایستابی بودند. مدل دینامیکی شبکه عصبی با پارامترهای ورودی عمق سطح آب زیرزمینی یک، دو و سه ماه قبل با میانگین مربعات خطا برابر 0.776 و ضریب همبستگی به میزان 0.936 بهترین مدل جهت پیش بینی دقیق تر نوسانات سطح ایستابی در دشت دهگلان شناخته شد.
