پیش‍بینی ماهانه جریان رودخانه در برنامه‌ریزی‌های بلندمدت منابع آب نقش کلیدی ایفا می‌کند. در مقاله حاضر برای افزایش دقت پیش‌بینی‌‌ جریان ماهانه رودخانه کرخه در محل ورودی به سد کرخه در فصل زمستان از تکنیک ترکیب مدل‌ها استفاده شده است. بدین منظور، پنج مدل شبکه عصبی مصنوعی، شبکه عصبی رگرسیون تعمیم یافته، رگرسیون بردار پشتیبان، K نزدیک‌ترین همسایگی و رگرسیون خطی با ساختار بهینه به عنوان مدل‌های منفرد مورد استفاده قرار گرفتند. برای ترکیب مدل‌های مذکور از دو استراتژی وزن‌دهی ثابت و متغیر به مدل‌های منفرد بر اساس روش میانگین‌گیری وزنی رتبه‌بندی شده (OWA) استفاده شده است و در آنها، روش Orlike برای تعیین وزن‌ها بکار رفته است. نتایج نشان می‌دهد که استراتژی وزن‌دهی متغیر دارای قابلیت بیشتری برای ارتقای نتایج پیش‌بینی نسبت به وزن‌دهی ثابت است. همچنین، مقایسه نتایج این دو استراتژی با دو استراتژی ترکیب مدل‌ها با شبکه عصبی مصنوعی و انتخاب بهترین مدل منفرد نشان می‌دهد که استراتژی وزن‌دهی متغیر به‌طور قابل توجهی سبب ارتقای دقت نتایج نسبت به هر دو استراتژی مذکور می‌شود به نحوی که این استراتژی دقت نتایج را نسبت به شبکه عصبی 8/51، 1/38 و 5/44 درصد و نسبت به بهترین مدل منفرد 6/7، 132 و 9/52 درصد به ترتیب در دی، بهمن و اسفندماه بهبود داده است.