اهمیت مدیریت منابع آب، نیاز به مدل‌سازی دقیق فرآیند بارش و رواناب را در دهه گذشته مطرح کرده‌است. در این پژوهش برای مدل‌سازی فرآیند بارش و رواناب از ترکیب مدل ماشین بردار پشتیبان و تبدیل موجک بهره گرفته شده است. بدین‌منظور سری‌های زمانی بارش و رواناب با آنالیز موجک به چندین زیرسری با مقیاس‌های زمانی مختلف تبدیل شده و این زیرسری‌های زمانی به عنوان ورودی مدل ماشین بردار پشتیبان برای پیش‌بینی رواناب روزانه درنظر گرفته شده است. نتایج حاصل از صحت‌سنجی مدل‌ها بیانگر آن است که بیشترین مقدار ضریب تبیین (R2) و کمترین مقدار جذر میانگین مربع خطا (RMSE) برای مدل منفرد ماشین بردار پشتیبان به‌ترتیب 0.69 و 0.79 و برای مدل ترکیبی ماشین بردار پشتیبان موجکی به‌ترتیب 0.92 و 0.35 است. دلیل برتری مدل ترکیبی نسبت به مدل منفرد ناشی از این است که مدل ترکیبی ماشین بردار پشتیبان موجکی، به جای استفاده از سری زمانی داده‌های بارش و رواناب در یک مقیاس کلی، از چندین زیرسری پردازش شده زمانی با درجات تجزیه مختلف، به عنوان ورودی در مدل استفاده می‌کند. همچنین نتایج نشان داد که مدل ترکیبی ماشین بردار پشتیبان موجکی در مقایسه با سایر مدل‌های ترکیبی مانند شبکه عصبی مصنوعی موجکی (WANN) دارای کارایی و دقت بالاتری است.