در این پژوهش از مدل سری زمانی اریما و شبکه استنتاج فازی-عصبی و شبکه عصبی مصنوعی پرسپترون چندلایه و مدل های هیبریدی ARIMA-ANN, ARIMA-ANFIS برای مدل سازی و پیش بینی پارامتر هدایت الکتریکی جریان روزانه ایستگاه آب سنجی تله زنگ با طول دوره آماری 49 ساله استفاده شده است. برای این منظور از داده های روزانه سال های 1384-1347 برای آموزش مدل و از داده های سال های 1396-1385 برای آزمون استفاده شد. برای تایید صحت مدل های اریما برازش یافته از توابع خودهمبستگی و خودهمبستگی جزیی باقی مانده ها و آماره پورت مانتیو استفاده شد. در مدل سازی و پیش بینی هدایت الکتریکی برای انتخاب پارامتر ورودی موثر شبکه استنتاج فازی عصبی و شبکه عصبی مصنوعی از الگوریتم PMI بهره گرفته شد که پارامترهای روزانه منیزیم (با دو روز تاخیر) و سدیم (با یک روز تاخیر) و درجه حرارت (با یک روز تاخیر) و دبی جریان (با دو ماه تاخیر) و اسیدیته (با یک روز تاخیر) با داشتن کمترین مقادیر اکایک و بیشترین مقادیر آماره همپل به عنوان ورودی شبکه استنتاج فازی عصبی و شبکه عصبی مصنوعی برای مدل سازی و پیش بینی هدایت الکتریکی روزانه معرفی شدند. بررسی معیارهای ارزیابی مدل ها تایید کننده برتری مدل هیبریدی ARIMA-ANFIS با تابع عضویت ذوزنقه ای و تعداد تابع عضویت 2 نسبت به سایر مدل ها با مقادیر ضریب تبین 86/0و ریشه میانگین مربعات dS/m 29 است همچنین مدل آریما ضعیف ترین عملکرد را در مدل سازی و پیش بینی پارامتر کیفی روزانه ایستگاه هیدرومتری تله زنگ به خود اختصاص داده است. . .