fa مدلسازی منطقه‌ای دبی‌های اوج در زیر حوزه‌های آبخیز سد سفیدرود با استفاده از شبکه عصبی مصنوعی عمومی Ggeneral پژوهشي Research مدل مورد بحث در این تحقیق با استفاده از شبکه عصبی مصنوعی ساخته شده و در حوزه آبخیز سفید‌رود (ناحیه غیر خزری) واسنجی شده است. انجام این تحقیق مبتنی بر جمع‌آوری و انتخاب آبنمودهایی فقط با منشأ بارندگی در 12 زیر حوزه با زمان تمرکز برابر و یا کمتر از 24 ساعت بوده است. از کل زیر‌ حوزه‌های انتخابی به تعداد 661 آبنمود به منظور استفاده از دبی اوج آنها برای ساخت مدل پیش‌بینی، انتخاب گردیده است. متغیرهای ورودی مدل شامل بارندگی یک‌روزه سیلزا و بارندگی پنج‌ روز قبل هر دبی اوج، مساحت زیر‌حوزه، طول آبراهه اصلی، شیب 85 -10 درصد طول آبراهه اصلی، ارتفاع میانه حوزه، مساحت سازندهای زمین‌شناسی و واحدهای سنگی در سه گروه هیدرولوژیکی یک، دو و سه، دبی پایه و متغیر خروجی نیز تنها دبی اوج بوده است. توسط روش شبکه عصبی مصنوعی از نوع تغذیه به جلو و روش آموزش پس انتشار خطا، تابع تبدیل متغیرهای ورودی به متغیر خروجی با طی سه مرحله آموزش، آزمایش و اعتبار‌سنجی به دست آمده است. هم‌چنین بر اساس همان داده‌ها و متغیرها، مدل رگرسیون چند متغیریه خطی برای منطقه مورد بررسی ساخته شد. نتیجه مقایسه دبی‌های اوج مشاهده‌ای و برآورد شده بر مبنای دسته داده‌های اعتبار سنجی نشان می‌دهد که پارامترهای آماری ضریب (R²) و ضریب آماره آزمون فیشیر (F) ، برای مدل شبکه عصبی و رگرسیون چند متغیره خطی به ترتیب 84/0، 66/33 و 33/0، 60/3 بوده و بیانگر ارجهیت کامل مدل شبکه عصبی بر روش‌های سنتی است. The model in this research was created based on the Artificial Neural Network (ANN) and calibrated in the Sefid-rood dam basin (excluding Khazar zone). This research was done by gathering and selecting peak flows of hydrographs from 12 sub basins, the concentration time of which was equal to or less than 24 hours and was caused only by rainfall. From all the selected sub basins, totally 661 hydrographs were prepared and their peak flows data wes used to make prediction model. The input variables of the model consisted of the depth of daily flooding rainfalls, and so the five days before rainfall of every peak flow, the area of sub basins, the main stream length, the slope of 10-85 percent of main stream, the median height of sub basins, the area of geological formations and rock units, classified at three hydrological groups of I, II, III, the base flow, and output variable was only peak flow. By using Feed Forward Artificial Neural Network with training method of back propagation error the function approximation of inputs to output was created by passing the three processes of training (learning), testing and validation. So based on that data and variables, the Multivariable Linear Regression model was created. The comparison of observed peak flows, based on validation data package, showed that the statistical parameters of (R²) coefficient and Fisher’s test parameter coefficient (F) for ANN model and MLR respectively were 0.84, 33.66 and 0.33, 3.60, indicating the superiority of ANN to traditional methods. بارندگی، رواناب، دبی ‌اوج، سازندها Formations, Peak Flow, Rainfall, Runoff 25 40 http://jstnar.iut.ac.ir/browse.php?a_code=A-10-2-644&slc_lang=fa&sid=1 A. Rezaei علی رضایی Yes M. Mahdavi محمد مهدوی No K. Luxe کارو لوکس No S. Feiznia سادات فیض نیا No M. H. Mahdian محمد حسین مهدیان No