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.