利用重力恢复和气候试验（GRACE）卫星反演的陆地水储量和全球陆地数据同化系统（GLDAS）的水文模型，从流域的降雨分布信息出发，结合季节调整技术和非线性自回归（NAR）神经网络，通过对自回归（autoregressive、AR）模型和季节自回归综合移动平均（SARIMA）模型的比较分析，预测了该盆地地下水储量的变化。以长江流域、勒拿河、鄂毕河和叶尼塞河为例，结果表明，经季节性调整后的流域内的降雨量和地下水分别服从独立分布和一阶自回归模型分布，为确定NAR神经网络的时延提供了一种新的方法。经季节性调整的NAR神经网络在四个流域的预测结果均优于传统的AR模型和SARIMA模型。均方误差在cm1以内，相关系数大于0.96。结合季节性调整和NAR神经网络，提高了流域地下水储量预测精度，减少了训练参数，加快了神经网络的收敛速度。