پیشبینی جریان ورودی به مخازن سدها به منظور انجام برنامهریزی و بهرهبرداری مناسب منابع آب لازم و ضروری است. در این تحقیق عملکرد دو مدل هوشمند شبکههای عصبی مصنوعی و سامانه استنتاج فازی عصبی تطبیقی - مبتنی بر روش دستهبندی تفریقی در پیشبینی جریان ورودی به سد کمال صالح در استان مرکزی مورد بررسی قرار 3131 ( استفاده شد و پیشبینی - گرفت. بدین منظور از دادههای جریان و بارش در یک دوره آماری 13 ساله ) 3131 جریان در گامهای زمانی روزانه و ماهانه انجام شد. از مقادیر دبی جریان و بارش در گامهای زمانی قبلی به عنوان الگوهای ورودی مدلها استفاده شد. عملکرد هر دو مدل در پیشبینیهای روزانه و ماهانه جریان بر اساس مقادیر شاخصهای خطای R ، RMSE و MAE بسیار مطلوب بود، هرچند عملکرد مدل فازی عصبی بهتر از مدل شبکههای - عصبی بود )کمتر از 1 درصد(. استفاده از ضریب فصلی موجب بهبود عملکرد مدلها در پیشبینیهای ماهانه شد. در ادامه، اثرات متغیرهای اقلیمی بزرگ مقیاس شامل شاخص نوسانات آتلانتیک شمالی و شاخص نوسانات جنوبی در پیشبینیهای ماهانه حاصل از الگوی بهینه مدل برتر بخش قبل، مورد بررسی قرار گرفت. نتایج به دست آمده حاکی از آن بود که استفاده از شاخصهای اقلیمی در ترکیب الگوهای ورودی، میتواند موجب بهبود عملکرد مدل در پیش بینیهای جریان ورودی گردد. در این میان شاخص نوسانات جنوبی تاثیر بیشتری بر بهبود پیشبینی دبی جریان ماهانه داشت. به طوریکه، مقدار شاخصهای آماری تحلیل خطای مدل فازی عصبی شامل - R ، RMSE و MAE به 1 به دست آمدند که نشاندهنده توان افزایش دقت مدل با بهبود شاخص های خطا به /31 ،1/63 ،1/ ترتیب برابر 33 3 و 33 درصد میباشد.
