مدل های هیدرولوژیکی ابزاری مهم در مطالعه ی اقلیم و فرآیندهای هیدرولوژیکی حوضه ها هستند که در مدیریت منابع آب، کنترل سیلاب و پیش بینی دبی جریان در رودخانه ها همواره مورد استفاده قرار گرفته اند. در سال های اخیر به علت خاصیت غیر خطی، وابستگی به متغییرهای زمانی و مکانی و همچنین خاصیت استوکستیکی بالای فرآیندهای هیدرولوژیکی، مدل های متعددی برای مدل سازی این پدیده ها ارائه شده اند. با وجود طیف گسترده ای از مدل های هیدرولوژیکی هنوز نمی توان مدل واحدی را برای انواع حوضه ها که تحت هر شرایطی نسبت به دیگران عملکرد بهتری داشته باشد معرفی کرد.به عنوان یک اصل، ناکامی و شکست مدل در ایجاد یک پیش بینی قابل قبول و بدون تناقض ممکن است اعتبار یک مدل و اعتماد هیدرولوژیست را به چنین سیستمی کاهش دهد، بنابراین در یک رویکرد جدید می توان به جای انتخاب یک مدل هیدرولوژیکی منحصر به فرد، ترکیبی از مدل های گوناگون هیدرولوژیکی را به طور همزمان در نظر گرفت که یک روش بهینه در پیش بینی فرآیندهای هیدرولوژیکی می باشد. از طرفی، در مدل سازی های مبتنی بر داده کیفیت و همگنی داده ها می تواند در زمان لازم برای مدل سازی و افزایش دقت مدل ارائه شده موثر باشد که در این راستا خوشه بندی به عنوان روشی تحلیلی برای پیش پردازش داده ها به کار برده خواهد شد، لیکن روش های مختلف خوشه بندی می تواند منجر به نتایج گوناگون گردد، لذا یک رویکرد ترکیبی از روش های خوشه بندی گوناگون بسیار مفید خواهد بود. در این تحقیق ابتدا برای داده های هیدرولوژیکی با بهره گیری از چهار مدل شبکه عصبی مصنوعی (ann) ، سیستم استنتاج فازی عصبی تطبیقی (anfis) و آریما (arima) مدل سازی اولیه صورت می گیرد، سپس در گام دوم با به کارگیری مفهوم پیش بینی مجموعه ای یک ترکیب بهینه از مدل های موجود ارائه خواهد شد. در مرحله ی بعد برای پیش پردازش داده ها، ابتدا با استفاده از سه روش خوشه بندی k-mean ، ward و som داده ها در خوشه های همگن طبقه بندی شده و سپس برای افزایش کیفیت و پایداری خوشه های ارائه شده از مفهوم نمودار تشابه در خوشه بندی مجموعه ای استفاده می شود. در آخر با اعمال روش پیش بینی مجموعه ای بر روی هرکدام از خوشه های بدست آمده از گام قبلی مدل نهایی ارائه شده و نتایج بدست آمده در هر چهار گام مورد بحث و مقایسه قرار می گیرند.