کیفیت آب یکی از مهم‌ترین عوامل موثر در زندگی سالم و حیات بشر است. از این رو، شناسایی مواد جامد محلول (TDS) یکی از مهمترین عوامل آن می‌باشد؛ که بسیاری از برنامه‌های توسعه منابع آب در شناسایی این عوامل اجرا خواهند شد. پیش‌بینی دقیق پارامترهای کیفیت آب یک نیاز اساسی برای مدیریت کیفیت آب، سلامت انسان، مصرف عمومی و مصارف خانگی است. در این مطالعه، با استفاده از یک الگوریتم پیش پردازش داده جدید، EEMD، برای تخمین یکی از پارامترهای مهم کیفیت آب، بنام TDS‌ استفاده شده است. پذیرش و قابلیت اطمینان مدل‌های پیشنهادی (به عنوان مثال ، شبکه های عصبی مصنوعی‌(ANN) ،‌EEMD-ANN ‌، ماشین بردار پشتیبان(SVM) و‌ EEMD-SVM‌‌‌) با استفاده از پنج معیار عملکرد و نمودارهای تصویری ارزیابی شد. مقایسه نتایج بین مدل‌های مستقل و ترکیبی نشان داد که الگوریتم‌های پیش-پردازنده می‌توانند عملکرد مدل SVM ترکیبی را برای برآورد پارامتر کیفی TDS افزایش دهد. به عنوان مثال، مدل EEMD-SVM باRMSE برابر 23/20برای مرحله آموزش و RMSE برابر 29/27 برای مرحله آزمایش در ایستگاه ورند و‌ RMSE = 45.26 برای مرحله آموزش و RMSE =40.06 برای مرحله آزمایش در ایستگاه گرمرود، از سایر مدل‌های ترکیبی و مستقل بهتر عمل کرده است. از این رو، می‌توان روش ترکیبی ماشین‌های بردار پشتیبان بر پایه الگوریتم پیش پردازش کننده EEMD را به عنوان یک مدل برتر به تصمیم‌گیران جهت برنامه‌ریزی و مدیریت در زمینه تشخصی کیفیت آب رودخانه‌ها پیشنهاد کرد.