پیش بینی بارش - رواناب در طرح های مهندسی منابع آب و مدیریت حوضه های آبریز ، یک مساله ضروری است . پیش بینی
کمی و به هنگام این پارامتر ها در کاهش هزینه احداث سد ها ، مخازن و نیز اقدامات مرتبط با مدیریت و مهندسی رودخانه ، نقش مهمی در بهبود فعالیت های عمرانی منابع آب دارد . در مدیریت سیلاب ، آگاهی از زمان وقوع ، شدت بارش و دبی سیلاب نقش مهمی در کاهش خسارات سیل به ویژه سیل ناگهانی دارد . پیش بینی کمی و کوتاه مدت بارش و ورود نتایج آن در مدل
های بارش -رواناب، منجر به بهبود زمان پیش بینی سیل و افزایش زمان پیش هشدار خواهد شد . روش های مرسوم پیش بینی عددی بارش، مدل های پیش بینی جو، ماهواره و رادار است . اما این روش ها قادر به پیش بینی بارش با دقت زمانی و مکانی مورد نیاز به ویژه در حوضه های کوچک نیستند . روش های پیش بینی سیلاب نیز غالبا مدل های مفهومی بارش -رواناب و روندیابی سیل هستند که معمولا به دلیل پیچیدگی و نیاز به پارامتر های زیاد قابل به کارگیری نمی باشند. در این تحقیق ، کارایی مدل های شبکه عصبی در پیش بینی بارش و سیلاب بررسی شد . پیش بینی عددی بارش ساعتی ۱۵ ایستگاه باران سنجی در حوضه سد گلستان به کمک یک شبکه عصبی چند لایه پرسپترون و داده های ساعتی باران سنجی پیش بینی گردید . در بحث پیش بینی سیلاب، مدل شبکه عصبی بارش -رواناب ساعتی به کمک یک شبکه عصبی چند لایه پرسپترون در سه ایستگاه ورودی سد به طور جداگانه تهیه شد. نتایج نشان می دهد که پیش بینی ساعتی بارش به روش شبکه عصبی با خطای قابل قبولی انجام شده و اگر از سایر داده های هواشناسی نیزاستفاده شود خطای نتایج کاهش می یابد . در حوضه مورد بررسی با داده های موجود این مدل ها زمان پیش بینی را به مدت دو ساعت افزایش می دهند . با افزایش داده ها، زمان پیش بینی بیشتری قابل دستیابی است، نتایج پیش بینی سیلاب ساعتی زیر حوضه های سد در زمان واقعی بیانگر عملکرد مناسب مدل های شبکه عصبی است . با مدل های عصبی، پیش بینی سیلاب نیز با استفاده از داده های مو جود ، با زمان قبلی حداقل ۲، ۲ و ۳ ساعت به ترتیب برای ایستگاه های تمر ، تنگراه و گالیکش انجام شد . نتایج نشان می دهد که با مدل شبکه عصبی پیوندی پیش بینی بارش و سیلاب ساعتی مجمو عا این زمان به ۴ و ۵ ساعت برای هر یک از ایستگاه های تمر، گالیکش و تنگراه قابل افزایش است . نتایج تحقیق گویای آن است که استفاده ،۴ از مدل های عصبی پیش بینی بارش و سیلاب برای مقاصد کاربردی ، دقت مناسبی دارد و در صورت تهیه یک مدل پیوندی از آنها ،کارایی مطلوبی به ویژه در افزایش زمان پیش هشدار و کاهش خسارت ناشی از سیل خواهد داشت. همچنین پیش بینی بارش با سایر روش ها و نیز پیش بینی سیل با استفاده از مدل های مفهومی و مقایسه آن با روش شبکه عصبی مصنوعی ، پیشنهاد شده است .