در این پژوهش به منظور شبیه سازی فرآیند بارش-رواناب در زیرحوضه بالادست سد کارده طی دوره ۱۳۷۰ تا ۱۳۹۹، از دو مدل داده محور شامل شبکه عصبی مصنوعی (ANN) و شبکه بازگشتی (GRU) استفاده شد. داده های بارش و رواناب ماهانه پس از پیش پردازش وارد مدل ها شدند و ساختارهای مختلف برای دستیابی به بهترین عملکرد بررسی گردید. نتایج نشان داد مدل GRU در مرحله واسنجی دقت بالایی به دست آورد با ضریب همبستگی (R≈۰.۹۴) و شاخص نش–ساتکلیف (NSE≈۰.۹۳). اما در مرحله صحت سنجی با ضریب همبستگی (R≈۰.۳۴) و شاخص نش-ساتکلیف (NSE ≈۰.۴۲) کارایی آن کاهش یافت. در مقابل، مدل ANN با ساختار بهینه شش نورون توانست تعادل بهتری میان واسنجی و صحت سنجی ایجاد کرد و عملکرد پایدارتری از خود نشان داد (مقادیر دو شاخص ضریب همبستگی در بخش واسنجی و صحت سنجی به ترتیب (R≈۰.۸۰)، (NSE≈۰.۶۴) و (R≈۰.۷۳)، (NSE≈۰.۴۲)) در مجموع، یافته ها بیانگر آن است که در شرایط این مطالعه، هرچند GRU توان بالایی در برازش داده های آموزشی دارد، اما ANN به دلیل پایداری و قابلیت تعمیم پذیری مناسب تر، گزینه موثرتری برای پیش بینی رواناب ورودی سد کارده محسوب می شود.

کلمات کلیدی