سالهاست که از مدلهای بارش-رواناب در زمینه هیدرولوژی و برآورد رواناب استفاده می شود. اما علیرغم وجود مدلهای فراوان، ظهور مرتب مدلهای جدید نشان دهنده آن است که هنوز مدلی که بتواند بدون هیچگونه نقص و ایرادی، کارایی و دقت بالا را در برآوردها ارائه کند ایجاد نشده است. بدین منظور جهت دستیابی به بهترین نتایج ؛ تعیین کارایی و شناسایی بهترین مدلها، پس از انجام مدل سازیها، ضرورت مییابد. در این راستا، در پژوهش حاضر، ابتدا اقدام به مدل سازی و برآورد میزان رواناب با استفاده از روشهای مختلف هوش مصنوعی و نیز روشهای آماری رگرسیون چندگانه شد. سپس جهت بررسی کارایی ضریب ،(R) روشهای اجراشده و نهایتاً انتخاب بهترین مدل، از معیارهای کارایی و ارزیابی شامل؛ ضریب همبستگی استفاده گردید. اطلاعات (MAE) و میانگین قدر مطلق خطا (RMSE) ریشه میانگین مربعات خطا ،(NSE) نش-ساتکلیف 2011 حوزه کاخک گناباد تهیه شد. مدلهای - مورداستفاده در این تحقیق، از داده های 9 واقعه بارندگی در بازه زمانی 2015 هوش مصنوعی موردبررسی در این مطالعه نیز عبارت بودند از: شبکه عصبی مصنوعی پس انتشار پیشخور نرمال، پیشخور که در (Regression Tree) و مدل درخت تصمیم رگرسیونی (ANFIS) شبکه فازی-عصبی ،Elman پسخور خودبازگشتی ،Cascade محیط نرم افزار متلب اجرا شدند. همچنین از روش رگرسیون چندگانه گام به گام به عنوان روش آماری، در محیط نرم افزار مینی تب استفاده گردید. نتایج حاصل از این پژوهش نشان داد، انواع روشهای آماری و هوش مصنوعی در نظر گرفته شده به طور نسبتاً مشابهی دارای کارایی قابل قبول بوده و با دقت مناسب و خطای نسبتاً کم، قادر به برآورد میزان رواناب هستند. در این بین، با تعداد 5 پارامتر ورودی میزان کارایی بهتری را نسبت به سایر مدلها Cascade مدلهای عصبی پیشخور نرمال و پیشخور 1/ 2 و 5 ،0/76 ،0/ در این مدلها، به ترتیب مقادیر مشابه؛ 88 MAE و RMSE ،NSE ، R نشان دادند. چنانکه معیارهای کارایی بدست آمد. درمجموع یافته ها حاکی از برآورد بهتر مدلهای هوش مصنوعی نسبت به روش آماری رگرسیونی است.

کلمات کلیدی