یکی از فرآیندهای اصلی در مدل‌سازی هیدرولوژیکی حوضه‌های آبریز، فرآیند بارش- رواناب است و مدل‌سازی ماهانه آن در برنامه‌ریزی برای بهره‌برداری بلندمدت از منابع آب از اهمیت ویژه‌ای برخوردار است. با توجه به تعدد عوامل اثرگذار بر شکل‌گیری رواناب حاصل از بارش و عدم اندازه‌گیری دقیق مقادیر آنها در بلندمدت، مدل‌سازی بلندمدت این فرآیند، پیچیده و غیرخطی می‌باشد. از این‌رو، در تحقیق حاضر، کارایی دو مدل احتمالاتی شبکه عصبی رگرسیون تعمیم یافته (GRNN) و رگرسیون K- نزدیک‌ترین همسایگی که به ترتیب بر مبنای تابع پایه شعاعی و توابع کرنل می‌باشند، برای مدل‌سازی ماهانه فرآیند بارش- رواناب در حوضه بالادست سد کرخه مورد ارزیابی قرار گرفته است. به منظور تعیین پارامترهای اثرگذار بر هر یک از مدل‌ها، از روش صحت سنجی متقاطع LOOCV استفاده شده است. نتایج بدست آمده نشان می‌دهد که در حالت ارزیابی کلی از تمامی ماه‌ها، هر دو مدل از کارایی مناسبی برخوردارند و کارایی دو مدل، مشابه است ولی در حالت بررسی ماهانه بر اساس رده‌بندی شاخص‌های نش- ساتکلیف، RMSE و ضریب همبستگی، کارایی مدل GRNN بر KNN برتری دارد.

کلمات کلیدی