تاکنون برای بیان مفهومی چرخه هیدرولوژیکی، به طور عمده، از مدلسازی های ریاضی استفاده شده است که هدف اصلی این مدل ها پیش بینی های هیدرولوژیکی و همچنین درک بهتر فرایندها می باشد. فرایند بارش- رواناب مهمترین قسمت چرخه هیدرولوژیکی است. مدلسازی جامع و دقیق این فرایند در یک حوضه خاص می تواند اطلاعات مهمی در زمینه چگونگی و محل ایجاد شهرها، نحوه کاربری اراضی، مهار سیلاب ها و مدیریت منابع آب در آن حوضه به دست دهد. تاکنون مدل های متعددی برای ساده سازی این فرایند پیچیده هیدرولوژیکی گسترش داده شده اند. در این پژوهش، فرایند بارش- رواناب حوضه delaney creek در ایالت فلوریدای آمریکا با استفاده از شبکه های عصبی مصنوعی مدل شده است. با توجه به وجود دوره های تناوب فصلی مختلف در این فرایند، هر دو سری زمانی روزانه بارش و رواناب با استفاده از تبدیل موجک به چندین زیرسری زمانی تجزیه شده و زیرسری های اصلی به عنوان ورودی مدل های شبکه عصبی مصنوعی معرفی شده اند. سه نوع از توابع موجک مادر (haar، db2 و db4) برای انجام این تجزیه زمانی به کار گرفته شده اند. تعیین زیرسری های زمانی اصلی به عنوان ورودی های مدل، اغلب منجر به کاهش نرون های لایه ورودی در شبکه عصبی و خطاهای مدل می گردد. به منظور تعیین زیرسری های زمانی اصلی از آنتروپی شانون (محتوای اطلاعاتی) استفاده شده است. برای نیل به این هدف، از دو معیار مبتنی بر آنتروپی شانون یعنی آنتروپی (h) و اطلاعات مشترک (mi) بهره جسته شده و نتایج به دست آمده با نتایج حاصل از دو معیار دیگر (ضریب همبستگی خطی و میزان انرژی موجک) مقایسه شده است. بررسی مدلسازی های مختلف نشان می دهد که مدل عصبی_موجکی مبتنی بر آنتروپی شانون بهتر از مدل شبکه عصبی ساده عمل می کند. همچنین نتایج ثابت می کند که از بین چهار معیاری که به منظور گزینش زیرسری های زمانی اصلی استفاده شده اند، mi به دلیل ماهیت غیر خطی و نظارت شده اش، بهتر از سایرین عمل می کند. همچنین به استناد حاصل مدلسازی ها می توان استنباط کرد که نوع تابع موجک مادر، تأثیر فاحشی در نتایج مدلسازی ها نداشته است.