پیش یابی (forecast) میزان حجم آورد ماهانه رودخانه، یکی از متغیرهای موثر در بهره برداری از مخازن سدها و بهینه سازی منحنی فرمان نیروگاه های برق آبی به شمار می رود. از این رو تهیه مدلی با دقت بالا جهت پیش یابی آورد ماهانه رودخانه ضرورت دارد. استفاده از مدل های رگرسیون چند متغیره یکی از روش های معمول در این مورد به حساب می آید. از ضعف های مدل های رگرسیونی چند متغیره خطی، حساس بودن ضرایب متغیرهای مستقل (predictors) و نسبت طول دوره آماری به تعداد متغیر های مذکور می باشد. بر اساس تحقیقات پیشین نشان داده شده که در صورت وجود همبستگی معنی دار میان متغیر های مستقل، ضرایب آن ها غلط برآورد شده و بعضا علامت ضریب بعضی از این متغیرها مخالف علامت ضریب همبستگی بین همان متغیر و متغیر وابسته می گردد. بدین ترتیب، جهت کاهش متغیرهای مستقل اولیه به منظور افزایش نسبت طول دوره آماری به تعداد این متغیر های مستقل و حذف همبستگی درونی میان آنان اقدام به تهیه مدل SSP گردید. از دیگر برتری های مدلSSP، استفاده از یک جستجوگر قوی جهت انتخاب متغیرهای مستقل اولیه و انتخاب مولفه های موثر در پیش یابی آورد ماهانه رودخانه می باشد. یکی از مشکلات موجود در بهره گیری از مدل های پیش یابی در حوضه های برف خیز، کمبود و یا نبود داده های آب معادل برف است. آب معادل برف یکی از ورودی های اساسی در پیش یابی آورد آب بهاره و تابستانه در مدل های پیش یابی حوضه های برف خیز بشمار می رود. به دلیل محدود بودن تعداد اندازه گیری ها به یک یا دو بار در سال، ضرورت تهیه مدلی که آب معادل برف را بر اساس سایر اطلاعات جوی و زمینی شبیه سازی نماید، محسوس می باشد. در این مقاله مدل SWEG که جهت برآورد آب معادل برف به طور روزانه تهیه شده معرفی می گردد. با استفاده از الگوریتم ژنتیک جهت واسنجی پارامترهای این مدل سعی شده است کاربرد ترکیب آن با مدل SSP بر روی حوضه آبریز بالا دست سد طرق به منظور پیش یابی آورد ورودی به سد مورد آزمایش قرار گیرد. نتایج حاصل از جذر مربع میانگین خطا(RMSE) و ضریب همبستگی میان مقادیر مشاهداتی و پیش یابی شده نشان دهنده دقت قابل قبول ترکیب این دو مدل در پیش یابی آورد رودخانه می باشد.