پیشبینی صحیح تغییرات تراز سطح آب مخازن به عنوان یکی از مسائل مهم جهت مدیریت، طراحی، بهرهبرداری از سدها و تأمین نیازهای آبی مطرح میباشد. در این مطالعه بر پایه پنج مدل نرم رگرسیون بردار پشتیبان (SVR)، سیستم استنتاج عصبی-فازی تطبیقی (ANFIS)، شبکه عصبی (ANN)، شبکه عصبی شعاعی (RBFNN) و شبکه عصبی مبتنی بر رگرسیون عمومی (GRNN) و استفاده تلفیقی از نتایج آنها به عنوان ورودی به یکی از این پنج مدل، ساختاری تحت عنوان ماشین هوشمند نظارت شده (SICM) جهت برآورد تراز سطح آب ماهانه مخزن سد امیرکبیر کرج پیشنهاد گردید. دادههای مورد استفاده شامل تراز سطح آب، بارندگی، تبخیر، حجم ورودی و خروجی از مخزن سد بوده و ارزیابی مدلهای مذکور توسط نه شاخص خطا صورت گرفت و با استفاده از روش تصمیمگیرنده ویکور، بهترین مدل از میان مدلهای مذکور انتخاب گردید. پس از انجام بررسیهای لازم در میان مدلهای نرم مورد استفاده، مدل ANN با ضریب راندمان نش و میانگین مجذور خطای به ترتیب 89/0 و 37/23 متر مربع به عنوان بهترین مدل شناخته شد. نتایج بدست آمده از رویکرد پیشنهادی نشان میدهد که مدل نظارت شده (هیبریدی) شبکه عصبی (SICM-ANN) با افزایش ضریب راندمان نش به 94/0 و کاهش میانگین مجذور خطا به 85/12 متر مربع (بیش از 45 درصد کاهش) توانسته عملکرد بالایی را در پیشبینی صحیح میزان تراز سطح آب ماهانه مخزن سد کرج ارائه نماید. بر این اساس استفاده هیبریدی از مدلهای نرم میتواند در کاهش چشمگیر خطای پیشبینی تراز سطح آب نسبت به مدلهای منفرد به طور مؤثری بکار گرفته شود.