شبیهسازی فرایند بارش رواناب - یکی از گامهای مهم در مطالعات مهندسی آب و مدیریت منابع آب است. برنامهریزی بهرهبرداری از منابع آبهای سطحی و زیرزمینی، ساماندهی رودخانهها و هشدار سیل نیاز به پیشبینی آبدهی رودخانه و رواناب حوزه آبخیز دارد. در مطالعه حاضر، بهمنظور شبیهسازی فرایند بارش رواناب از مدل شبکه عصبی توسعهیافته با - فیلتر کالمن ) EKFNN ( استفاده شد و سپس نتایج با الگوریتم برنامهریزی بیان ژن ) GEP ( که در بیشتر مطالعات اخیر از خود، کارایی بالایی در شبیهسازی بارش رواناب نشان داده بود، مقایسه شد. دادههای مورد استفاده در این مطالعه، - مقادیر روزانه بارش و رواناب ایستگاههای پیهان، مرویل و نامیله دشت ملایر در استان همدان است که برای دوره آماری 2340 تا 2311 مورد استفاده قرار گرفت. نتایج نشان داد که در دشت ملایر دقت ) R2 ( مدل GEP بهطور متوسط برابر 0/18 و کمترین ریشه میانگین مربعات خطا ) RMSE 0 و دقت مدل / ( برابر 81 EKFNN 0 و کمترین ریشه / برابر 16 میانگین مربعات خطا برابر ) RMSE 0/18 بود. همچنین نتایج نشان داد، با توجه به اینکه سرعت اجرای مدل ) GEP بیشتر و در زمان کوتاهی قادر به ارائه نتایج بود، اما مدل EKFNN که برای اولین بار برای شبیهسازی جریان روزانه رودخانه مورد استفاده قرار گرفته است، بهعنوان مدل برتر برای دشت ملایر انتخاب شد.
