بارندگی مهم‌ترین منبع تأمین آب شرب و کشاورزی ساکنین نواحی مختلف کره زمین محسوب می‌شود. بنابراین شبیه‌سازی و تخمین این پدیده هیدرولوژیکی از اهمیت بسزایی برخوردار است. در این مطالعه برای اولین بار، بارش درازمدت شهر رشت در طی یک دوره 62 ساله از 1956 تا 2017 به‌صورت ماهانه توسط یک مدل هوش مصنوعی ترکیبی بهینه‌یافته، شبیه‌سازی شد. برای توسعه مدل هوش مصنوعی ترکیبی (WGEP)، مدل برنامهنویسی بیان ژن (GEP) و تبدیل موجک (Wavelet transform) ترکیب شدند. در ابتدا، تأخیرهای مؤثر داده‌های سری زمانی با استفاده از تابع خودهمبستگی شناسایی شدند و با استفاده از آنها برای هر یک از مدل‌های GEP و WGEP هشت مدل متفاوت تعریف شد. سپس، نتایج مدل‌های GEP تجزیه‌و‌تحلیل شدند و مدل برتر GEP و مؤثرترین تأخیرها معرفی شدند. مقادیر شاخص عملکرد (VAF)، ضریب همبستگی (R) و شاخص پراکندگی (SI) برای مدل برتر GEP به‌ترتیب مساوی با 25/765، 0/508 و 0/709 محاسبه شدند. علاوه بر این، تأخیرهای شماره (t-1)، (t-2)، (t-3) و (t-12) مؤثرترین تأخیرها بودند. در ادامه، اعضای مختلف موجک های مادر نیز بررسی شدند که موجک مادر demy به‌عنوان بهینه‌ترین انتخاب شد. همچنین، تجزیه‌و‌تحلیل نتایج مدل‌های ترکیبی نشان داد که تبدیل موجک عملکرد مدل برنامهنویسی بیان ژن را به‌شکل قابل ملاحظه‌ای بهبود بخشید. استفاده از این موجک مادر باعث افزایش سه برابری شاخص عملکرد مدل WGEP برتر شد. علاوه بر این، شاخص‌های آماری R و MARE برای مدل WGEP برتر به‌ترتیب مساوی با 0/935 و 0/862 به‌دست آمدند. همچنین مقادیر SI، VAF و ضریب نش‌ساتکلیف برای این مدل به‌ترتیب برابر با 0/296، 0/394 و 0/858 تخمین زده شدند. نتایج این مطالعه نشان داد که تبدیل موجک عملکرد مدل برنامهنویسی بیان ژن را به‌شکل قابل توجهی افزایش می‌دهد و پیشنهاد می‌شود تبدیل موجک برای بهبود عملکرد سایر الگوریتم‌های هوش مصنوعی در مباحث هیدرولوژیکی مورد استفاده قرار گیرد.
