چکیده: با توجه به ‌ضرورت پیش بینی جریان در مسائل هیدرولوژی از قبیل تعیین ورودی دبی جریان به مخازن و هم چنین پیش بینی سیل، در سال های اخیر مدل های پیش بینی جریان در علم هیدرولوژی بسیار مورد توجه قرار گرفته است. در این تحقیق، از مدل های ترکیبی هوش مصنوعی شامل: مدل ترکیبی فازی-عصبی (ANFIS) و شبکه عصبی با بهینه ساز الگوریتم ژنتیک (GA-ANN) برای پیش بینی کوتاه‌مدت جریان (روزانه) استفاده شد. هدف این تحقیق پیش بینی جریان خروجی حوضه آبخیز سد لتیان، استان تهران، می باشد. در این تحقیق، از داده های حوضه آبخیز لتیان در بازه مطالعاتی 1398-1397، شامل: داده های زمینی به همراه سطح پوشش برف استخراج شده از تصاویر تلفیقی سنجنده سنتینل-1 و 2، استفاده شد. ابتدا، با بهره گیری از رویکرد تلفیق شاخص گذاری و روش های طبقه بندی، سطح پوشش برف حاصل از پردازش ماهواره نوری سنتینل-2 تهیه گردید. سپس به منظور استخراج سطح پوشش برف موثر، الگوریتم ادغام تصاویر با تصاویر ماهواره راداری سنتینل-1 و ماسک آستانه دما استفاده شد. نهایتا، با بهره گیری از پارامتر برف موثر در کنار سایر داده های روزانه هیدرومتری و هواشناسی شامل: بارش و جریان، پیش بینی روزانه جریان خروجی حوضه آبخیز با استفاده از مدل هوش مصنوعی انجام گرفت. هم چنین، به منظور ارتقاء عملکرد مدل پیش بینی، از شاخص فصلی در جهت شناسایی تغییرات و آموزش بهتر مدل استفاده گردید. نتایج بدست آمده از این تحقیق، نشان داد که استفاده از پارامتر داده ماهواره ای در مدل پیش بینی GA-ANN و ANFIS به ترتیب به میزان 50 درصد و 37 درصد در شاخص نش ساتکلیفت بهبود عملکرد داشته است. هم چنین ، روند تغییرات سطح پوشش برف موثر هم خوانی مطلوبی با روند جریان حوضه، مخصوصا در نقاط اوج جریان، داشته است که این سازگاری نقش پارامتر برف موثر بر جریان کوتاه مدت حوضه را بیش از پیش نشان می دهد. هم چنین، نتایج نشان داد استفاده از اطلاعات فصلی منجر به بهبود خطای RMSE به میزان 26% در مدل ANFIS و 22% در مدل GA-ANN شد. در نهایت، روش هوش مصنوعی برپایه استنتاج فازی (ANFIS) عملکرد بهتری نسبت به روش شبکه عصبی بهینه (GA-ANN) برپایه شاخص های آماری نشان داد.