پیش بینی صحیح و مناسب فرآیندهای هیدرولوژیکی می تواند کمک شایانی در زمینه طراحی بهینه پروژه های آبی و مهندسی و نیز جلوگیری از خطرات ناشی از آنها داشته باشد. در این راستا مدلسازی منطقی و مناسب فرآیند بارش-رواناب به عنوان اولین و مهمترین گام در راستای مبارزه و مقابله با سیلاب به عنوان یک بلای طبیعی می باشد. لیکن این فرآیند استوکاستیک به عوامل و پارامترهای مختلفی از جمله شرایط آب و هوا، رطوبت، نفوذ، تبخیر و... وابسته بوده و دارای پیچیدگی خاصی است، لذا برای مطالعه این فرآیند از مدل های جعبه سیاه از جمله مدل سری های زمانی و یا اخیراً از مدل شبکه های عصبی مصنوعی (ann) بطور گسترده استفاده می شود که قابلیت پیش بینی و مدلسازی غیرخطی را نیز دارا می باشد. همزمان با گسترش استفاده از شبکه های عصبی مصنوعی، استفاده از آنالیز موجک analyze) wavelet) در زمینه هیدرولوژی نیز پیشرفت محسوسی نموده است. ترکیب این دو قابلیت، مدل ترکیبی با کارایی بهتر در پیش¬بینی فرآیندهای هیدرولوژیکی بنام شبکه¬های¬عصبی-موجکی (conjoined wavelet-ann network) را به وجود آورده است. سپس سری زمانی با استفاده از آنالیز موجک به زیر سریهایی تجزیه شده و این زیر سریها وارد شبکه عصبی گردیده و برای درجات مختلف تجزیه و تعداد نرون¬های میانی متفاوت نتایج به دست آمده است. در ادامه نتایج با روش شبکه عصبی مصنوعی و روش سیستم استنتاج فازی عصبی تطبیقی مقایسه شده است. نتایج بیانگر آن است که، این روش نسبت به روش شبکه عصبی و روش سیستم استنتاج فازی عصبی تطبیقی کارایی بالاتری دارد. این مهم را می توان از روی ضریب تعیین و جذر میانگین مربع خطاها به وضوح مشاهده کرد چرا که روی میزان تأثیرگذاری داده¬های سری زمانی، قبل از ورود به شبکه تفکیک-پذیری صورت گرفته و سیگنال اولیه به چندین زیر سیگنال (sub-signal) تجزیه شده است. با این کار این امکان فراهم می¬آید که ضرایب وزن ورودی¬ها به شبکه عصبی بر پاپه میزان تأثیرگذاری هر زیرسری زمانی تنظیم گردند، که این امر به نوبه خود تأثیرات کوتاه مدت و بلند مدت را در سری زمانی در بر می-گیرد و شبکه را در ارزیابی و تخمین¬های آینده بهینه¬تر و کاراتر می¬سازد. همچنین نتایج حاصل از پیش¬بینی جریان نشان می¬دهد که جریان رودخانه گاماسیاب در حال کاهش می¬باشد و این مطلب برای شهرستان نهاوند به عنوان یک تهدید جدی تلقی می¬شود.