برآورد دقیق رواناب اهمیت بسیار زیادی از جنبه های گوناگون دارد. چه آنکه میزان رواناب حاصل از بازش از یک طرف ممکن است منجر به سیل و مخاطره گردد و از طرف دیگر با عدم استفاده و بهره برداری مناسب از دسترس خارج گردد. بدین جهت برای شناخت عوامل موثر در میزان رواناب و استفاده بهینه از آن مدلسازی می شود. در میان روشها و مدلهای مختلف برآورد رواناب، مدل های شبکه عصبی مصنوعی از جمله روشهایی هستند که در دهه های اخیر با دقت مناسبی در مدل سازی به کار میروند. در این تحقیق نیز برای برآورد میزان رواناب حاصل از بارش، انواعی از شبکه های عصبی مصنوعی در محیط نرم افزار متلب ایجاد شد و بین نتایج حاصله آن ها مقایسه انجام گردید. شبکه های عصبی مصنوعی مورد استفاده در این پژوهش شامل شبکه های عصبی پس انتشار پیشخور نرمال، پیشخور cascade، پسخور Elman و مدل درخت تصمیم بودکه در نهایت نتایج نشان داد هریک از مدلهای فوق، بسته به تعداد مختلف پارامترهای ورودی، نرون های لایه پمهان و نیز تعداد لایه های مخفی در زمان اجرای مدل، عملکرد متفاوتی را نشان میدهند ولی در مجموع با دقت مناسبی قادر به برآورد رواناب هستند. آمار و اطلاعات مورد استفاده مربوط به حوزه های زوجی کاخک گناباد(اعم از زیرحوزه شاهد و نمونه) و شامل 162 داده حاصل از 18 پلات جای گذاری شده در موقعیت های مختلف (جهت های غربی، شمالی و شرقی) و 9 واقعه بارش-رواناب در بازه سال های 2015-2011 است.

کلمات کلیدی