A modelagem e previsão dos níveis de água subterrânea são fundamentais para a avaliação da disponibilidade hídrica. Portanto, formalismos de séries temporais são uma alternativa robusta para a inferência sobre o estado deste importante recurso. Contudo, o uso técnicas de combinação de preditores para a modelagem e previsão de séries temporais de níveis de água subterrânea ainda é um tema pouco explorado. O objetivo deste trabalho é desenvolver modelos combinados de previsão de séries temporais de níveis de água subterrânea. Adotou-se como caso de estudo a bacia Sedimentar do Araripe, no Estado do Ceará, na região semiárida do Brasil. Os modelos individuais usados foram Redes Neurais Artificiais clássicas (ANN), Máquinas de Aprendizado Extremo (ELM), redes Long Short-Term Memory (LSTM) e Support Vector Regression (SVR). A combinação se deu por técnicas como Média Simples (cSA), Mediana Simples (cSM), Mínima Variância (cMV), Cópulas (cCP), além da combinação via ANN (cANN) e SVR (cSVR). O desempenho dos modelos foi comparado e classificado segundo métricas de erro. A maioria das séries estudadas apresentou rebaixamento expressivo dos níveis. Contudo, os modelos foram capazes de representar e prever o comportamento da água subterrânea nos aquíferos da bacia do Araripe de forma satisfatória. Os modelos ARIMA e LSTM foram superiores, mas os modelos combinados mostraram resultados atraentes, superando a maioria das alternativas individuais. As abordagens combinadas propostas podem ser aprimoradas.