چکیده: در صورتی که منبع دیگری برای تامین آب در دسترس نباشد، آب‌های زیرمینی تنها منبع در بسیاری از مناطق است. کاهش آب‌های زیرزمینی، آلودگی و عدم مدیریت مناسب آن مسائل انسانی را تحت تاثیر قرار داده است. باتوجه به تاثیر آب بر سلامت انسان، اهمیت در نظر گرفتن کیفیت آن نیازمند تحقیقاتی است که توانایی برنامه‌ریزی برای کنترل کیفیت را دارد. در این زمینه مدل‌های هوشمند و داده محور از جمله روش‌هایی است که باتوجه به سهولت انجام آن نسبت به سایر روش‌ها به سرعت در حال گسترش هستند. این مدل‌ها توانایی یادگیری و تعمیم داده‌ها را داشته و قادر به حل مسائل مربوط به پیش‌بینی، مدیریت و تخمین در جنبه‌های مختلفی از منابع آب را دارند. در این میان شبکه عصبی ابزاری قدرتمند در حل مسائل رگرسیون و دسته‌بندی می‌باشد که توانایی حل مسائل با هیدرولوژی پیچیده با داده‌های کم، نسبت به سایر روش‌های داده محور را دارد. در این مطالعه، روش شبکه عصبی پیشرو و ماشین بردار پشتیبان جهت پیش‌بینی غلظت سختی موقت و دائم دشت آمل-بابل با استفاده از پارامترهای کیفی مانند سولفات، کلرید، نیترات، پی اچ، نسبت جذب سدیم، سختی کل، هدایت الکتریکی و پتاسیم به کار گرفته شد. برای این منظور از داده‌های کیفی جمع آوری شده از 855 چاه در دو فصل پاییز و بهار به مدت شش سال استفاده شده است. سپس با ایجاد مدل شبکه عصبی پیشرو و مدل ماشین بردار پشتیبان با پارامترهای متفاوت، مدل بهینه انتخاب و مورد آموزش و آزمون قرار گرفت. نتایج بدست آمده براساس معیارهای R2، MSE و RMSE برای شبکه عصبی پیشرو در سختی دائم به ترتیب 9303/0، 76/748 و 36/27 و برای سختی موقت برابر 9688/0، 78/504 و 46/22 می‌باشد. این نتایج برای ماشین بردار پشتیبان در سختی دائم برابر 9304/0، 0001401/0، 0181/0 و برای سختی موقت برابر 9833/0، 0000338/0، 0058/0 می‌باشد. نتایج بدست آمده از مدلسازی سختی موقت و دائم در دشت آمل-بابل نشان دهنده توانایی مدل‌های ایجاد شده در مدلسازی بوده و با تقریب مناسبی میزان غلظت سختی را در منطقه مورد نظر پیش‌بینی کرده است. غلظت سختی در قسمت شرق و مرکزی نسبت به سایر نقاط بیشتر بوده بطوری که از سمت شرق به مرکز حرکت می‌کند.