Accurate prediction of water level (WL) is essential for the optimal management of different water resource projects. The development of a reliable model for WL prediction remains a challenging task in water resources management. In this study, novel hybrid models, namely, Generalized Structure-Group Method of Data Handling (GS-GMDH) and Adaptive Neuro-Fuzzy Inference System with Fuzzy C-Means (ANFIS-FCM) were proposed to predict the daily WL at Telom and Bertam stations located in Cameron Highlands of Malaysia. Different percentage ratio for data division i.e. 50%–50% (scenario-1), 60%–40% (scenario-2), and 70%–30% (scenario-3) were adopted for training and testing of these models. To show the efficiency of the proposed hybrid models, their results were compared with the standalone models that include the Gene Expression Programming (GEP) and Group Method of Data Handling (GMDH). The results of the investigation revealed that the hybrid GS-GMDH and ANFIS-FCM models outperformed the standalone GEP and GMDH models for the prediction of daily WL at both study sites. In addition, the results indicate the best performance for WL prediction was obtained in scenario-3 (70%–30%). In summary, the results highlight the better suitability and supremacy of the proposed hybrid GS-GMDH and ANFIS-FCM models in daily WL prediction, and can, serve as robust and reliable predictive tools for the study region.

准确预测水位 (WL) 对不同水资源项目的优化管理至关重要。开发可靠的 WL 预测模型仍然是水资源管理中的一项具有挑战性的任务。在这项研究中，提出了新的混合模型，即数据处理的广义结构组方法 (GS-GMDH) 和具有模糊 C 均值的自适应神经模糊推理系统 (ANFIS-FCM) 来预测 Telom 和Bertam车站位于马来西亚金马仑高原。这些模型的训练和测试采用了不同的数据划分百分比，即 50%–50%（场景 1）、60%–40%（场景 2）和 70%–30%（场景 3）。为了显示所提出的混合模型的效率，他们的结果与包括基因表达编程 (GEP) 和数据处理组方法 (GMDH) 的独立模型进行了比较。调查结果显示，混合 GS-GMDH 和 ANFIS-FCM 模型在预测两个研究站点的每日 WL 方面优于独立的 GEP 和 GMDH 模型。此外，结果表明 WL 预测的最佳性能是在场景 3 (70%–30%) 中获得的。总之，结果突出了所提出的混合 GS-GMDH 和 ANFIS-FCM 模型在日常 WL 预测中的更好的适用性和优越性，并且可以作为研究区域的稳健可靠的预测工具。调查结果显示，混合 GS-GMDH 和 ANFIS-FCM 模型在预测两个研究站点的每日 WL 方面优于独立的 GEP 和 GMDH 模型。此外，结果表明 WL 预测的最佳性能是在场景 3 (70%–30%) 中获得的。总之，结果突出了所提出的混合 GS-GMDH 和 ANFIS-FCM 模型在日常 WL 预测中的更好的适用性和优越性，并且可以作为研究区域的稳健可靠的预测工具。调查结果显示，混合 GS-GMDH 和 ANFIS-FCM 模型在预测两个研究站点的每日 WL 方面优于独立的 GEP 和 GMDH 模型。此外，结果表明 WL 预测的最佳性能是在场景 3 (70%–30%) 中获得的。总之，结果突出了所提出的混合 GS-GMDH 和 ANFIS-FCM 模型在日常 WL 预测中的更好的适用性和优越性，并且可以作为研究区域的稳健可靠的预测工具。