طبیعت تصادفی و غیرخطی بارش و جریان در حوضه های آبریز و دخالت غیرطبیعی انسان همراه با سایر فاکتورهای موثر بر پدیده بارش-رواناب، پیش بینی جریان ورودی به مخزن سدها به ویژه در مناطق خشک و نیمه خشک را به امری مشکل و پیچیده تبدیل نموده است. در این تحقیق با توجه به اهمیت مدیریت مخزن برای سال آبی آتی، مقدار جریان ماهانه ورودی به مخزن سد سبلان اردبیل برای یک سال آبی آتی با استفاده از مدلهای درختی M۵ و شبکه عصبی مصنوعی MLP پیش بینی و دقت هر یک از این مدلها موردبررسی و ارزیابی قرارگرفته است. در این مطالعه ابتدا در راستای پیش پردازش و آماده سازی داده ها جهت انجام فرآیند مدلسازی، با استفاده از داده های خام ایستگاه های بارانسنجی، تبخیرسنجی و آبسنجی موجود در محدوده موردمطالعه و به کمک سیستم اطلاعات جغرافیایی و روش تیسن مقادیر بارش و دمای معادل ماهانه حوضه استخراج گردید. در همین راستا همگنی، دقت و صحت داده های تاریخی جریان حوضه آبریز سد سبلان نیز موردبررسی قرار گرفت. بررسی همگنی نشان داد علیرغم کاهش نامحسوس روند بارش، داده های جریان همگن نبوده و بعد از سال ۱۳۷۴ کاهش چشمگیر
و غیرطبیعی داشته است. ازاین روی نسبت به بازسازی داده های جریان توسط مقادیر بارش برای دستیابی به نتایج دقیق تر و قابل اطمینان تر اقدام گردید. سپس ضمن بررسی مقادیر خودهمبستگی جریان و همبستگی متقابل جریان با بارش، تبخیر و دما، پارامترها و تاخیرهای زمانی موثر در فرآیند مدلسازی، شناسایی گردید. بر این اساس، دبی ورودی به مخزن سد برای یک سال آبی آتی به عنوان مقادیر هدف و خروجی مدل و سایر پارامترهای جریان، تبخیر، بارش و دما بهعنوان ورودی مدل منظور شد. جهت بررسی دقیق تر، چندین ترکیب مختلف از پارامترهای ورودی گوناگون هم برای داده های قبل از بازسازی و هم برای داده های بازسازیشده، ایجاد و با استفاده از روش سعی و خطا عملکرد و دقت آنها در پیش بینی جریان برای یک سال آبی آتی موردبررسی قرار گرفت. نتایج حاصل از ترکیب های مختلف هر دو مدل نشان داد، در حالت استفاده از داده های بازسازی نشده، ترکیبی که در آن ورودی مدل شامل میانگین و
انحراف معیار استاندارد مقادیر جریان ماهانه در کل دوره، جریان در ماه جاری و در۱، ۱۱ و ۱۲ ماه قبل بود، از دقت بیشتری برخوردار است. همچنین ملاحظه گردید در حالت استفاده از داده های بازسازی شده، ترکیبی که در آن ورودی مدل شامل مقادیر دما در ۷ ماه قبل، میانگین و انحراف معیار استاندارد مقادیر جریان ماهانه در کل دوره و جریان در ماه جاری و در ۱۲ ماه قبل بود، از دقت بیشتری برخوردار بود. بررسی کلی نتایج نشان داد که بازسازی دادهها نقش بسزایی در افزایش دقت مدلها داشته است. همچنین با بررسی نتایج مشاهده گردید که روش شبکه عصبی مصنوعی MLP در حالت استفاده از داده های بازسازی نشده و روش مدل درختی M۵ در حالت استفاده از داده های بازسازی شده دقت و عملکرد بهتری دارند. از طرف دیگر به نظر می رسد با توجه به سادگی، کاربردی بودن و ارائه روابط ساده خطی و قابل فهم توسط مدل درختی M۵ این روش برای استفاده در پیش بینی جریان ورودی به مخزن سد سبلان کاربردی تر باشد.