در مدلسازی بارش-رواناب مدل ترکیبی شبکه عصبی-موجک روشی سودمند است که از تبدیل موجک برای بدست آوردن فرکانس های مختلف فرآیند و از شبکه عصبی مصنوعی (ann) برای پیش بینی دبی رواناب استفاده میکند. یکی از گامهای مهم در هر مدلی که بر پایه ann است، تعیین متغیرهای ورودی مهم در فرایند مورد مطالعه است. درغیر این صورت مدل می تواند دچار بیش سازگاری (over fitting)، یادگیری دشوارتر و عملکرد ضعیف شبکه شود. این پایان نامه یک مدل سه مرحله ای برای مدلسازی بارش-رواناب حوضه ی delaney creek در ایالت فلوریدا آمریکا ارائه می دهد. روش سه مرحله ای عموما شامل پیش پردازش و ساخت مدل است. در مرحله ی پیش پردازش تبدیل موجک برای تجزیه ی سری های زمانی بارش و رواناب به زیرسری هایی با فرکانس های مختلف استفاده شده است. سپس زیرسری های مستقل توسط روش نقشه های خود سازمانده (som) انتخاب شده اند. در مرحله ی مدلسازی زیرسری های انتخاب شده وارد شبکه عصبی پیش رو می شود تا رواناب یک روز آینده پیش بینی شود. برای تفسیر بهتر عملکرد مدل، مدل ترکیبی ارائه شده با مدل های فرآیندهای میانگین متحرک جمع بسته ی اتورگرسیو با ورودی خارجی (arimax) و شبکه عصبی پیش رو بدون پیش پردازش داده ها مقایسه شده است. نتایج نشان داد که مدل ارائه شده عملکرد بهتری در مقایسه با دو روش دیگر مخصوصا در تعیین ضریب تبیین نقاط بیشینه دارد. به طوریکه مدل های arimax، شبکه عصبی پیشرو بدون پیش پردازش داده ها و مدل ارائه شده به ترتیب مقادیر 0.82، 0.84 و 0.97 را برای ضریب تبیین ارائه دادند.