ارزیابی اثربخشی لایروبی کانال‌ها برای مدیریت پایدار رواناب شهری حیاتی است. با این حال، رویکردهای سنتی که به گزارش یک شاخص قطعی (مانند درصد کاهش زبری مانینگ) اکتفا می‌کنند، عدم قطعیت‌های ذاتی در اندازه‌گیری‌های میدانی و پتانسیل مدل‌های پیش‌بینی مدرن را نادیده می‌گیرند. این پژوهش یک چارچوب ارزیابی دوگانه و نوآورانه برای رفع این خلاء ارائه می‌دهد. در این مطالعه، از داده‌های میدانی سطح آب و سرعت جریان قبل و بعد از لایروبی کانال ابوذر تهران استفاده شد. ابتدا، یک شبیه‌سازی مونت کارلو برای کمی‌سازی تأثیر عدم قطعیت در پارامترهای اندازه‌گیری شده بر روی ضریب زبری مانینگ پیاده‌سازی شد. سپس، به عنوان اثبات مفهوم، یک شبکه عصبی حافظه طولانی کوتاه‌مدت (LSTM) برای پیش‌بینی سری زمانی نوسانات سطح آب در کانال، بر اساس داده‌های سنسورها، توسعه داده شد. نتایج تحلیل عدم قطعیت نشان داد که اگرچه میانگین کاهش ضریب مانینگ 4.47 درصد بود، اما بازه اطمینان 95% این کاهش، بسیار گسترده و بین 9.66- تا 17.12درصد قرار دارد. این یافته بر اهمیت حیاتی در نظر گرفتن عدم قطعیت در تحلیل‌های هیدرولیکی تأکید می‌کند. علاوه بر این، مدل LSTM توسعه‌یافته با موفقیت الگوهای زمانی را فرا گرفت و توانست سطح آب را با دقت بالا و ریشه میانگین مربعات خطای (RMSE) تنها ۳.۲ سانتی‌متر بر روی داده‌های آزمون، پیش‌بینی نماید. این مطالعه نتیجه می‌گیرد که تلفیق تحلیل‌های احتمالاتی با مدل‌های پیش‌بینی هوش مصنوعی، دیدگاهی بسیار واقع‌بینانه‌تر و جامع‌تر نسبت به روش‌های ارزیابی سنتی فراهم کرده و گامی اساسی به سوی مدیریت داده‌محور و هوشمند زیرساخت‌های آبی شهری است.