در این پژوهش از مدل سری زمانی اریما و شبکه استنتاج فازی- عصبی و شبکه عصبی مصنوعی پرسپترون چندلایه و مدل‌های هیبریدی ARIMA-ANN, ARIMA- ANFIS برای مدلسازی و پیش‌بینی پارامتر هدایت الکتریکی جریان روزانه ایستگاه آب‌سنجی تله‌زنگ با طول دوره آماری ۴۹ ساله استفاده شده است. برای این منظور از داده‌های روزانه سال‌های ۱۳۸۴-۱۳۴۷ برای آموزش مدل و از داده‌های سال‌های ۱۳۹۶-۱۳۸۵ برای آزمون استفاده شد. برای تأیید صحت مدل‌های اریما برازش یافته از توابع خودهمبستگی و خودهمبستگی جزئی باقی‌مانده‌ها و آماره پورت مانتئو استفاده شد. در مدلسازی و پیش‌بینی هدایت الکتریکی برای انتخاب پارامتر ورودی مؤثر شبکه استنتاج فازی عصبی و شبکه عصبی مصنوعی از الگوریتم PMI بهره گرفته شد که پارامترهای روزانه منیزیم (با دو روز تأخیر) و سدیم (با یک روز تأخیر) و درجه حرارت (با یک روز تأخیر) و دبی جریان (با دو ماه تأخیر) و اسیدیته (با یک روز تأخیر) با داشتن کمترین مقادیر اکایک و بیشترین مقادیر آماره همپل به‌عنوان ورودی شبکه استنتاج فازی عصبی و شبکه عصبی مصنوعی برای مدلسازی و پیش‌بینی هدایت الکتریکی روزانه معرفی شدند. بررسی معیارهای ارزیابی مدل‌ها تأیید کننده برتری مدل هیبریدی ARIMA-ANFIS با تابع عضویت ذوزنقه‌ای و تعداد تابع عضویت ۲ نسبت به سایر مدل‌ها با مقادیر ضریب تبین ۸۶/۰و ریشه میانگین مربعات dS/m ۲۹ است همچنین مدل آریما ضعیف‌ترین عملکرد را در مدلسازی و پیش‌بینی پارامتر کیفی روزانه ایستگاه هیدرومتری تله‌زنگ به‌خود اختصاص داده است.
