دریاچه ارومیه به عنوان یکی از مهم­ترین دریاچه­های کشور به علت مصرف بیش از حد آب و تغییر اقلیم دارای وضعیت نامناسب زیست­محیطی شده است. بررسی تغییرات اقلیمی و نحوه توزیع بارش در این منطقه می­تواند در جهت مدیریت بهتر این حوضه آبریز به کار رود. در این مطالعه، برای پهنه­بندی نواحی بارش حوضه دریاچه ارومیه از اطلاعات 65 ایستگاه هواشناسی در دوره آماری 1395-1376 استفاده شد. برای این منظور، داده­های هر ماه استاندارد شده است و در ماتریس با ابعاد (n*m) که در آن n تعداد ایستگاه­ها (65) و m تعداد ما­ه­ها (12) است، نوشته شدند. تجزیه مؤلفه‌های اصلی (PCA) روی ماتریس داده­ها انجام شد و با توجه به معیار دارا بودن مقدار ویژه بالای یک، مؤلفه‌های اصلی انتخاب شدند. آنگاه مقادیر امتیازات مؤلفه‌های اصلی (PCS) برای مؤلفه‌های منتخب محاسبه شد. این مقادیر به­عنوان ورودی روش تجزیه خوشه­ای با روش وارد استفاده شدند. سپس جهت تعیین ایستگاه­های شاخص از روش پروکراستس استفاده شد. نتایج نشان داد که دو مؤلفه اصلی اول، 87 درصد واریانس کل داده­ها را توجیه می­کنند. براساس مؤلفه‌های منتخب، در کل حوضه، شش ناحیه بارشی متمایز تشخیص داده شد. همچنین معلوم شد که چهار ایستگاه واقع در نقاط مختلف حوضه آبریز دریاچه ارومیه شامل مهماندار، سراب، بابارود و سنته می­توانند به­عنوان ایستگاه­های شاخص در نظر گرفته شوند. این ایستگاه­ها بیش از %84 واریانس کل داده­های ایستگاه­های حوضه را در بر داشتند. آزمون روند من-کندال نشان داد که بارش در فصل پاییز دارای روند افزایشی معنی­دار می­باشد، درحالی­که بارش سالانه فقط در یکی از خوشه­ها دارای روند افزایشی معنی­دار می­باشد.

پیش­بینی جریان رودخانه­ها در حوضه­های آبریز نقش مهمی در بهره­برداری و مدیریت صحیح منابع آبی دارد. تعیین نوع و تعداد ورودی­ مدل­های تخمین­گر، یکی از مهم­ترین مراحل در پیش­بینی جریان رودخانه­ها می­باشد. بنابراین از روش تجزیه پروکراستس (PA) برای تعیین تعداد ورودی­های موثر استفاده شده است. در این تحقیق پیش­بینی جریان با استفاده از داده­های جریان ماهانه ایستگاه­های آب­سنجی صفاخانه و سنته انجام گرفته است. مدل شبکه عصبی مصنوعی (MLP) و مدل ماشین بردار پشتیبان (SVM) برای پیش­بینی جریان مورد استفاده قرار گرفته­اند. بهترین تخمین جریان با استفاده از مدل­های MLP و PA-MLP در ایستگاه آب­سنجی صفاخانه به­ترتیب با RMSE برابر با (m3/s) 68/5 و (m3/s) 85/4 و CC برابر با 73/0 و 78/0 و در ایستگاه آب­سنجی سنته به­ترتیب با RMSE برابر با (m3/s) 44/6 و (m3/s) 36/6 و CC برابر با 78/0 و 79/0 انجام شده است. مدل­ PA-SVM نیز به­ترتیب با RMSE و CC برابر با (m3/s) 45/5 و 73/0 در دوره صحت­سنجی نتایج بهتری را نسبت مدل SVM در تخمین جریان ایستگاه آب­سنجی صفاخانه داشته است. همچنین نتایج نشان داد که مدل‏های SVM و PA-SVM جریان ایستگاه سنته را با RMSE به­ترتیب برابر با (m3/s) 85/6 و (m3/s) 03/7 تخمین زده‏اند. در حالت کلی نتایج نشان داد که روش تجزیه پروکراستس می­تواند به­عنوان یکی از روش‌های کارآمد و مناسب جهت تعیین تعداد ورودی موثر مورد استفاده قرار گیرد. مقایسه نتایج مدل­های MLP و SVM نیز نشان داد که مدل MLP از دقت بیشتری نسبت به مدل SVM برخوردار است.

تبخیر مؤلفه‏ای اساسی در چرخة هیدرولوژی است و نقش مهمی در مدیریت منابع آب دارد. در این تحقیق عملکرد مدل‏های شبکة عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM) در تخمین تبخیر روزانه ارزیابی شده است. داده‏های روزانة هواشناسی میانگین دما، سرعت باد، فشار هوا، رطوبت نسبی، بارش، دمای نقطة شبنم، و ساعت آفتابی ایستگاه‏های سینوپتیک تبریز و مراغه، به منزلة ورودی مدل‏های ANN و SVM، برای تخمین تبخیر روزانه استفاده شد. نخست ده ترکیب مختلف از هفت ورودی و سپس ورودی‏های منفرد به منظور تخمین تبخیر به‏کار گرفته شدند. نتایج مدل‏های استفاده‏شده نشان داد که هر دو مدل ANN و SVM عملکرد قابل قبولی در تخمین تبخیر دارند. ارزیابی نتایج استفاده از ورودی‏های تکی نشان داد که به‏ترتیب کاربرد پارامترهای میانگین دما و ساعت آفتابی‏ـ نسبت به پارامترهای دیگر ـ نتایج بهتری در تخمین تبخیر هر یک از ایستگاه‏ها داشته‌ است. بررسی‏های این تحقیق نشان می‏دهد که اگرچه تفاوت معنی‏داری بین نتایج سه تابع کرنل ماشین بردار پشتیبان وجود ندارد، تابع کرنل پایة شعاعی در مقایسه با توابع کرنل دیگر از دقت زیاد و عملکرد بهتری در تخمین تبخیر روزانه برخوردار است.