فاطمه سهرابی گشنیگانی - MSc Student of Water Resources Engineering, Department of Water Engineering, Faculty of Agriculture, Shahrekord University, Shahrekord, Iran.
رسول میرعباسی نجف آبادی - Associate Professor, Department of Water Engineering, Faculty of Agriculture, Shahrekord University, Shahrekord, Iran.
محمدرضا گلابی - Ph.D of Hydrology and Water Resources, Department of Water Engineering, Faculty of Water Sciences, Shahid Chamran University of Ahvaz, Ahvaz, IRAN.

برآورد رواناب حاصل از بارندگی در یک حوضه آبخیز از جهات گوناگون از جمله مدیریت مخازن سدها، مدیریت منابع آب، تنظیم سیلاب، کنترل فرسایش کناره و بستر رودخانه حائز اهمیت می­باشد. در این مطالعه، از مدل مفهومی HBV و مدل هوش مصنوعی جنگل تصادفی (RF) به منظور شبیه­سازی فرایند بارش-­رواناب در حوضه آبخیز بازفت در ایستگاه هیدرومتری لندی برای دوره آماری ۲۰۱۰ تا ۲۰۱۷ استفاده شد. برای ارزیابی عملکرد مدل­ها، از آماره­های ضریب همبستگی (r)، ریشه میانگین مربعات خطا (RMSE)، معیار کارایی نش–­ساتکلیف (NS)، میانگین مطلق درصد خطا (MAPE) و میانگین قدرمطلق خطا (MAE) استفاده شد. مقایسه نتایج مدل مفهومی HBV و مدل RF نشان دهنده عملکرد بهتر مدل RF بود. بنابراین، مدل RF با مقادیر (m۳/s ۳۹/۰RMSE=، ۵۹/۹MAPE=، ۲۵/۰MAE=، ۹۵/۰ r= و ۸۲/۰NS=) به عنوان مدل برتر انتخاب گردید و این مدل می­تواند برای کاربردهای آینده به عنوان یک گزینه جدید برای پیش­بینی رواناب در حوضه بازفت مورد استفاده قرار گیرد.

Rainfall, Runoff, Evapotranspiration, Random forest model, Bazoft watershed