مدل‌سازی ماهانه فرآیند بارش- رواناب نقش مهمی در بهر‌ه‌برداری از سدها دارد. از این‌رو، در مقاله حاضر کارایی سه مدل داده‌مبناء شبکه عصبی مصنوعی (ANN)، شبکه عصبی رگرسیون تعمیم‌یافته (GRNN) و K نزدیک‌ترین همسایگی (KNN) در مقایسه با مدل مفهومی IHACRES برای مدل‌سازی ماهانه فرآیند بارش- رواناب با داده‌های مشابه و ساختار بهینه مورد ارزیابی و مقایسه قرار گرفت. برای این منظور، شبیه‌سازی جریان ماهانه ورودی به سد کرخه به عنوان مورد مطالعاتی انتخاب و از داده‌های مشاهده‌ای 32 ساله (1393-1361) دما و بارش ماهانه حوضه مربوطه و جریان ماهانه ورودی به سد کرخه استفاده شد. با توجه به متفاوت بودن الگوهای بارش- رواناب در ماه‌های مختلف، دو نوع ارزیابی کلی و ماهانه از کارایی مدل‌ها با استفاده از روش رتبه‌دهی و بر مبنای سه شاخص ارزیابی نش- ساتکلیف (NSE)، جذر میانگین مربعات خطا (RMSE) و ضریب همبستگی (R) صورت گرفت. بر اساس نتایج بدست آمده از هر دو روش ارزیابی مدل‌ها در مرحله صحت‌سنجی، دو مدل ANN و KNN به ترتیب دارای بیشترین و کم‌ترین کارایی در تخمین جریان ماهانه بودند. بر اساس ارزیابی کلی رتبه‌ای مدل‌ها، کارایی دو مدل ANN(749/0 NSE= و 868/0R=) و IHACRES (699/0 NSE=و 842/0R=) با کسب 8 امتیاز مشابه بود و دو مدل GRNN (618/0 NSE=و 793/0R=) و KNN (601/0 NSE=و 777/0R=) نیز با کارایی مشابه (5 امتیاز) در رتبه دوم پس از دو مدل اول قرار گرفتند؛ در حالیکه بر اساس روش ارزیابی رتبه‌ای ماهانه، دو مدل IHACRES و GRNN با کسب مجموع 38 امتیاز مساوی از سه شاخص ارزیابی خطا دارای کارایی مشابه بوده و کارایی آنها پس از مدل ANN با 48 امتیاز در مقام دوم قرار گرفت.

کلمات کلیدی