با افزایش روزافزون تقاضا برای آب خصوصاً در مناطق خشک و نیمه خشک، نیاز به استفاده بهینه از منابع آب بیشتر نمود می یابد. در این راستا پیش بینی مناسب میزان آورد رودخانه ها را می توان کلید موفقیت در برنامه ریزی و مدیریت بهینه سدها به شمار آورد. در این تحقیق مدل پیش بینی جریان ورودی به سد کمال صالح بر اساس شبکه های عصبی مصنوعی و شبکه فازی- عصبی تطبیقی در مقیاسهای زمانی کوتاه مدت و میان مدت توسعه یافت. به این منظور الگوهای ورودی مختلف شامل مقادیر دبی جریان و بارش در گام های زمانی قبلی و مقادیر شاخص های اقلیمی بزرگ مقیاس به کار گرفته شد. در خصوص بکارگیری روش شبکه های عصبی مصنوعی، الگوریتم های آموزشی مختلف روش انتشار برگشتی به ازای الگوهای ورودی متفاوت از بارش و دبی جریان، مورد آزمون قرار گرفت و بهینه ترین آن ها به ازای کمترین مقدار شاخص خطا انتخاب شد. همچنین با تدوین برنامه ای در محیط نرم افزار MATLAB بهینه ترین و مناسبترین تعداد نرون به ازای بهترین عملکرد مدل و کمترین خطا بدست آمد. در پیش بینی جریان روزانه و ماهانه، عملکرد مدل شبکه عصبی بسیار مناسب بود و داده های شبیه سازی شده همخوانی بسیار بالایی با مقادیر مشاهداتی نشان داد. بیشترین دقت مدل در پیش بینی مقادیر حداقل و متوسط جریان بوده و دقت مدل در پیش بینی مقادیر حداکثر جریان تا حدودی کاهش یافته است. در مدل فازی- عصبی نتایج عملکرد بهتر مدل نسبت به مدل شبکه های عصبی را نشان داد. همچنین مقایسه نتایج بدست آمده در مقیاس ماهانه با نتایج در مقیاس زمانی روزانه نشان داد که به ازای الگوی ورودی کاملا یکسان، عملکرد هر دو مدل در مقیاس روزانه بهتر از دوره ماهانه بود. در نهایت اثرات متغیرهای اقلیمی بزرگ مقیاس نیز بر روی عملکرد مدل بررسی شد. می توان گفت که استفاده از این متغیرها موجب افزایش دقت مدل به میزان قابل ملاحظه ای گردیده است.
