بحران کمبود آب یکی از چالش های مهم قرن حاضر است که نیازمند رویکردهای نوین برای مدیریت پایدار منابع آب می باشد. پیش بینی دقیق رواناب، به عنوان عنصری کلیدی در این مدیریت، نقشی حیاتی در برنامه ریزی و تصمیم گیری های مرتبط ایفا می کند. در این پژوهش با هدف بهبود دقت پیش بینی رواناب ماهانه در منطقه مشهد، از روش پیش پردازش تجزیه مد متغیر VMD برای بهبود کیفیت داده ها و از مدل رگرسیون ماشین بردار پشتیبان SVR و شبکه عصبی حافظه طولانی کوتاه مدت LSTM برای مدل سازی رابطه بین ورودی ها و خروجی استفاده شده است. همچنین، الگوریتم بهینه ساز نهنگ WOA برای یافتن پارامترهای بهینه مدل ها به­کار رفته­است. در این مطالعه، مدل ترکیبی VMD-WOA-SVR-WOA معرفی و کارایی آن در برآورد رواناب با مدل های ساده و بهینه شده SVR و LSTM با سه سناریو داده ورودی مختلف (نوع و تاخیر زمانی متفاوت) مقایسه شد. داده های مورد استفاده شامل داده های بارش، دما، تبخیر و دبی با دوره آماری 54 ساله (1347-1401) است. نتایج پژوهش بر اساس معیارهای ضریب نش-ساتکلیف (NSE)، میانگین مطلق خطا (MAE) و ریشه میانگین مربعات خطا (RMSE) نشان می دهد که مدل VMD-WOA-SVR-WOA عملکرد بسیار بهتری در برآورد رواناب نسبت به مدل های VMD-WOA-LSTM و VMD-WOA-SVR داشته است. برای نمونه، در ایستگاه زشک، این مدل در مرحله آموزش مقادیر NSE، RMSE و MAE را به ترتیب 983/0، 099/0 و 072/0 ارائه داده است. همچنین در مرحله آزمون نیز به ترتیب مقادیر 975/0، 083/0 و 124/0 به دست آمد که نشان دهنده دقت مناسب مدل در برآورد رواناب است. علاوه بر این، در ایستگاه های ارداک بند، النگ اسدی و کرتیان مدل ترکیبی علاوه بر دستیابی به دقت بالا (NSE بین 97/0 تا 98/0) از نظر کاهش خطاهای RMSE و MAE نسبت به مدل های مبتنی بر SVR و LSTM عملکرد به مراتب بهتری از خود نشان داده است.