با توجه به پیچیدگی های ذاتی پدیده هایهیدرولوژیکی،به کارگیریروش های متداول خطی منجر به نتایج قابل قبول با دقت بالا نشده، لذا توجه روزافزونی به مدل¬های جعبه سیاه می شود. در دهه¬های اخیر، شبکه های عصبی مصنوعی، از زیرمجموعه های هوش مصنوعی، به خوبی توانایی خود را در مدل سازیپدیده های هیدرولوژیکیو ارائه نتایج قابل قبول و اطلاعات مهمی که در زمینه هایبرنامه ریزی شهری و محیط زیست، سیل و مدیریت منابع آببکار گرفتهمی شود، به اثبات رسانده است. توانایی و کار آیی هر نوع مدل داده محور (به عنوان مثال، شبکه عصبی مصنوعی) تا حد زیادی بستگی به کمیت و کیفیت داده ها دارد و از طرفی نویز(خطا) موجود در داده ها، در عملکرد مدل تأثیرگذار است. بنابراین یک سری عملیات پیش پردازش برای بهبود نتایج ضروری می¬باشد. لذا، مدلی بر اساس شبکه عصبی مصنوعی ارائه شده که به روش رفع خطای مبنی بر موجک از طریق آستانه کلی برای حذف خطا از سری های زمانی تاکید شده است. سپس سری زمانی بدون خطا به منظور پیش بینی رسوب به مدل اعمال می شود. مقایسه نتایج حاصل از مدل سازی با داده هایخطا دار و بدون خطا، بیانگر بهبود نتایج در حالت استفاده از داده های بدون خطا است. همچنین نتایج نشانگر این است که رفع خطا مبنی بر موجک تا حد زیادی بستگی به موجک مادر انتخاب شده دارد، زیرا با تغییر موجک مادر، نتایج حاصله نیز تغییر می کنند. بعلاوه، افزایش مقدار آستانه پس از مقدار مشخصی نه تنها باعث بهبود نتایج نمی شود بلکه تأثیر منفی نیز دارد. نهایتاً، روش حذف خطا مبنی بر موجک، به عنوان یک روش پیش پردازش، ایده¬ایی مناسب برای بهبود مدل¬های هیدرولوژیکی مبنی بر شبکه عصبی مصنوعی است و در مقایسه با arimaxروش پیشنهادی منجر به نتایجی با دقت بهتری می شود.