مدلسازی فرآیند بارش-رواناب، یکی از روشهای رایج در برآورد رواناب و ابزاری کارآمد برای تحلیل فرآیندهای هیدرولوژیکی، ارزیابی منابع آب و مدیریت بهینه آبخیزها بهشمار میرود. از این رو، بهرهگیری از روشهایی که در عین پویایی، دارای ساختار مفهومی روشن، قابلیت توسعه و کاربرد آسان باشند، ضرورت دارد. در این تحقیق، کارایی سه مدل هوشمصنوعی جنگل تصادفی (RF)، برخورد گروهی با دادهها (GMDH)و استنتاج فازی-عصبی تطبیقی (ANFIS)برای پیشبینی رواناب روزانه دردو آبخیز تلوار و طالقان مورد ارزیابی قرار گرفت. دادههای مورد استفاده شامل بارش 24 ساعته، دما، رطوبت نسبی، میانگین سرعت باد، میانگین رطوبت نسبی، میزان بارش برف کلی، و نیز شاخص بارش پیشین و شاخص دبی پیشین برای دوره آماری 13 ساله جمعآوری و محاسبه شد. نتایجحاصل از مدلسازی برای آبخیز طالقان نشان داد که مدلGMDHبا بیشترین مقادیر ضریب تعیین (8845/0(R²=و معیار نش-ساتکلیف (8836/0(NSE=و همچنین کمترین ریشه میانگین مربعات خطا،با (09/4RMSE=) بالاترین دقت و کمترین خطا را در شبیهسازی رواناب ارائه داد. مدلRFبا مقادیر(8801/R²=0،8798/0NSE=، 16/4RMSE=)در رتبه دوم قرار گرفتو توانست نتایج نسبتاً قابل قبولی تولید کند، هرچند دقت آن اندکی کمتر از مدلGMDHبود. در مقابل، مدلANFISبا 8710/R²=0، 8610/0NSE=و32/4RMSE=ضعیفترین عملکرد را در میان مدلهای مورد بررسی داشت. و همچنین نتایج برای آبخیز تلوار نشان دادکه مدل GMDH با مقادیر 3631/RMSE=0و939/NSE=0و مدل RF با مقادیر 9260/NSE=0و4017/0RMSE=و مدل ANFISبا مقادیر 3640/0RMSE=و9392/0NSE=بیانگر آن است که مدلهای مورد بررسی از لحاظ عملکرد به این ترتیب قرار گرفتهاند:GMDH، ANFISو RF. نتایج نشان داد که هر سه مدل عملکرد کلینسبتا مطلوبی در شبیهسازی تغییرات رواناب داشتند که نشان میدهد استفاده از مدلهای هوش مصنوعی برای تخمین رواناب سطحی ابزار مناسبی میباشد.
