In this study, we designed an intelligent model to predict chlorophyll-a concentration using M5P model tree and extreme learning machine (ELM). Two models were developed for short-term and weekly algal bloom prediction in the Juksan weir and the Nakdong River. M5P is a classification and regression-analysis-based method, and ELM is fast learning, feedforward neural networks that use least square estimates for regression. The dataset used includes temperature, rainfall, solar radiation, TN, TP, N/P ratio, and chlorophyll-a, which were collected from 2013 to 2016. It was found that the performance power of ELM model was higher. Moreover, in a period of rapidly increasing algal blooms, the ELM model showed higher accuracy than the M5P model. In addition, upstream chlorophyll-a concentration data was used to improve algal bloom prediction performance in the Nakdong River. The experimental results revealed that the ELM2 model showed better performance in comparison to the ELM1 model. Furthermore, the ELM2 model showed good prediction and generalization performance compared to conventional neural network with backpropagation.