جهت مدیریت مناسب در یک حوضه هیدرولیکی نیاز به شناخت کامل آن می باشد . می توان گفت مهمترین بخش از این شناخت مربوط به ارائه مدلی جهت معرفی رواناب آن حوضه می باشد . رواناب به علت نیاز به فاکتورهای اقلیمی مختلف و اثر متقابل این فاکتورها بر هم دیگر یک پدیده ی غیرخطی و پیچیده است و نمی توان با روش های خطی مدل مناسبی استخراج نمود . لذا در این تحقیق از روش های غیرخطی جهت مدل سازی استفاده خواهیم کرد . یکی از مراحل پیچیده در مدل سازی سیستم های غیرخطی ، پیش پردازش پارامترهای ورودی جهت انتخاب ترکیبی مناسب از آنها است . پیش پردازش داده ها سبب کاهش مراحل سعی و خطا و شناخت مهم ترین پارامترهای موثر بر پدیده ی مورد نظر جهت مدل سازی با استفاده از روش های هوشمند می-گردد. در این مطالعه که در حوضه بالادست سد طرق انجام گرفته است رواناب را با پنج روش که شامل رگرسیون خطی محلی ، رگرسیون خطی محلی دینامیک ، شبکه عصبی با دو لایه برگشتی ، شبکه های عصبی با کاهش شیب توأم و شبکه-های عصبی bfgs پیش بینی می کنیم . برای پیش پردازش پارامترهای ورودی و تعیین بهترین ترکیب داده های ورودی از آزمون گاما استفاده شده است . مدل های بدست آمده را با روش های آماری مختلف مقایسه کرده و بهترین آن ، مدل بدست آمده از روش شبکه ی عصبی bfgs با داده های میانگین متحرک هفت روزه معرفی شده است .