خشکسالی های پی در پی تأثیر زیاد در افت آبخوان ها و بدنبال آن مدیریت سفره های آبی داشته است. در این راستا کاربرد مدل های پیش گویی می تواند در مدیریت صحیح از سفره های زیرزمینی موثر باشد. روند کلی هیدروگراف معرف آب زیرزمینی دشت نمدان بر اساس اطلاعات سطح آب زیرزمینی در طی سال های گذشته نزولی و نشانگر وقوع افت مداوم و کاهش ذخائر آب زیرزمینی می باشد. دراین تحقیق برای پیش بینی نوسان های سطح آب زیرزمینی از سه مدل سری زمانی تلفیقی، شبکه عصبی مصنوعی و شبکه عصبی موجکی که از معروف ترین مدل های پیش بینی هستند، استفاده شد. در مدل سری زمانی کارایی و دقت مدل آریما مورد ارزیابی قرار گرفت. با توجه به معیار آکائیک و جذر میانگین مربعات خطا مدلarima(0,1,1)(0,1,1)12 به عنوان مدل مناسب تر انتخاب شد. در روش شبکه عصبی مصنوعی پیش خور پس انتشار خطااز سه تابع آموزشی پس انتشار ارتجاعی، شیب توأم مقیاس شده و تابع لونبرگ مارکوآرت استفاده شد. در 19ترکیبی که به عنوان ورودی وارد شبکه عصبی مصنوعی شدند، بر اساس نتایج ضریب همبستگی و جذر میانگین مربع خطاها در مرحله آزمایش و آموزش دو ترکیب ورودی بارندگی یک ماه قبل و ارتفاع مطلق سطح آب زیرزمینی با یک ماه تأخیر و تخلیه و ارتفاع مطلق سطح آب زیرزمینی با یک ماه تأخیر، تاثیر بیشتری بر سطح آب زیرزمینی داشتند. در مدل شبکه عصبی موجکی از همه ی 19سناریوی ورودی به مدلann استفاده نشد بلکه فقط دو ترکیب های ورودی که بیشترین تأثیر را بر سطح آب زیرزمینی داشتند، توسط تبدیل موجک پیش پردازش شدند و به عنوان ورودی به مدل annمورد استفاده قرار گرفتند.گرچه پیش پردازش داده ها می تواند مدل سازی سطح آب های زیرزمینی را بهبود بخشد ولی مدلannبا مقدار عددی rmse معادل 03366/0 نسبت به روش-های دیگر از اولویت بالاتری برخوردار است و پیش پردازش نتایج را چندان بهبود نداده است. البته علت می تواند مربوط به ماهیت داده ها باشد و ممکن است اگر عملیات پیش پردازش بر روی نوع دیگری از داده های هیدرولوژی و یا در منطقه دیگری اعمال شود نتایج متفاوتی بدست آید..با توجه به نتایج، مقدار عددی افت سفره آبی دشت نمدان برای سال آبی 1391-1390برای مدل آریما، شبکه عصبی و شبکه عصبی موجکی به ترتیب معادل 1/699 ، 0/488 و 0/572 متر است.