برنامه ریزی و مدیریت منابع آب با تمام پیچیدگی ا و مشکلات آن می تواند نقش بسیار مهمی در ارتقائ شاخص های آبی داشته باشد. از ططرفی عدم براورد دقیق رواناب حاصل از بازش در حوضه های آبریز یکی از عواملی است که می تواند مدیریت و برنامه ریزی صحیح را در جهت بهره برداری بهینه از منابع آبی دچار مشکل کند. علی رغم آنکه تغییرات گسترده میزان بارش درنقاط مختلف و عدم اکان نصب ایستگاههای اندازه گیری در تمامی حوضه ها، استفاده از مدل ها و روابط مختلفی را موجب شده، اما گستردگی و نقصان پارمتر های اثر گذار زمنه را برای بررسی های بیشتر در این خصوص فراهم ساخته است. در دهه های اخیر شبکه های عصبی مصنوعی به عنوان مدلی که با تجزیه و تحلیل اطلاعات موجود امکان استخراج روابط غیر و نامشخص را فراهم می سازد، در بسیاری از علوم بویژه آب موفق شده است. در ین تحقیق ضمن بررسی قابلیت شبکه های عصبی مصنوعی در مدل کردن پدیده بارش-رواناب سعی شده تا قدرت این مدل ها در تکمیل امار ناقص ایستگاه های هیدرومتری و توان تعمیم پذیری مدل های مدل های طراحی شده برای ایستگا های مجاور مورد بررسی قرار گیرد. برای این منظور از ده سال ۀمار ماهانه ی ایستگا های هیدرو متری تونل چهل گزی، حسین آباد قشلاق و حسین آباد بیاخی واقع در حوزه ی سیروان استفاده و نتایج بدست آمده از مدل ها به لحاظ شاخص های آماری SE, SEE,b,MAE, MBE, RMSE, R2 مورد ارزیابی قرار گرفته است. شبکه های مورد استفاده در این تحقیق از نوع پرسپترون چند لایه (MLP) با قانون یادگیریBack propagation می باشد که جهت مدل سازس جریان بکمک پارامتر های هواشناسی اثر گذار نظیربارندگی، تبخیرف دما و سرعت بادبه کار گرفته شد. جهت تقویت خاصیت تعمیم پذیری مدل در حوضه های دیگر ازارامتر های چون وسعت حوضه، زمان تمرکز، ضریب فرم و ضریب شکل حوضه نیز استفاده شده است.
