با توجه به رشد روز افزون جمعیت جهان، افزایش مصرف سرانه آّب، کمبود آب شیرین قابل استحصال، مسئله سیل به عنوان یکی از پدیده های ویرانگر و غیره، ضرورت پیش بینی دقیق رواناب حاصل از بارش، نقش اساسی در برنامه ریزی و مدیریت و بهره برداری بهینه و پایدار آنها و نهایتاً در پیش بینی سیلاب ایفا می کند. در زمینه پیش بینی عناصر اقلیمی تا کنون روش های مختلفی ارائه شده است. امروزه با توجه به پیشرفت علومی چون روش های هوشمند، اقلیم شناسان در پی یافتن راه حل های فراتر از روش های کلاسیک در زمینه پیش بینی عناصر اقلیمی هستند. یکی از روش هایی که توجه بسیاری از محافل علمی را به خود جلب نموده است، استفاده از مدل های شبکه عصبی مصنوعی می باشد. شبکه های عصبی قادرند، با پردازش داده های تجربی، دانش یا قانون نهفته در بطن داده ها را فرا گیرند، بدین جهت انتظار می رود، شبکه های عصبی ابزاری مناسب برای یک مدل پیش بینی باشد. در این پژوهش با استفاده از متغیرهای متوسط ماهانه بارش و متوسط ماهانه رواناب (یک ماه بعد) طی دوره آماری بلندمدت 33 ساله (1972-2008) به عنوان ورودی شبکه پرسپترون چند لایه (mlp)، جهت پیش بینی رواناب ژانویه سال 2005 تا دسامبر سال 2008 را در بر می گیرد. از 37 سال دوره آماری موجود در حدود 90 درصد آن یعنی 33 سال (396 ماه) برای آموزش شبکه و 4 سال (48 ماه) باقیمانده در مرحله آزمون شبکه به کار برده شده است. بدین منظور از امکانات و توابع موجود در نرم افزار matlab بهره گرفته شد و برای هر ماه یک شبکه با خطای کمتر از 5 درصد طراحی گردید. پس از بررسی شاخص های عملکرد شبکه از جمله ضریب تعیین، مجذور میانگین مربعات خطا، میانگین مربعات خطا، میانگین مطلق خطا، میانگین درصد خطا و ضریب همبستگی مشاهده شد که پیش بینی رواناب با دقت قابل قبولی انجام شده است به طوری که میزان ضریب همبستگی آن 99/0 و میانگین خطای آن با داده های واقعی برابر 88/0 درصد بوده است. سپس برای ارزیابی توانایی شبکه های عصبی مصنوعی، نسبت به مدل های رگرسیون خطی و غیر خطی ساده در ارائه مناسبترین ضابطه برای پیش بینی مقادیر رواناب در حوضه آبریز سامیان واقع در حوضه آبریز قره سو، بررسی و مقایسه شدند. نتایج ضمن تأیید توانایی مدل شبکه عصبی مصنوعی نشان داد شبکه های طراحی شده توانستند رواناب را با حداکثر اختلاف 09/1 درصد با داده های واقعی برآورد نمایند به طوری که میزان همبستگی داده های برآورد شده و واقعی به 99/0 رسیده در حالی است که مدل های رگرسیونی ساده خطی و غیرخطی هر کدام با همبستگی 97/0 و 94/0 به ترتیب بعد از مدل شبکه های عصبی قرار گرفتند و میانگین خطای آنها به ترتیب 3/3 و 9/8 بدست آمد که اختلاف بالایی را با رواناب واقعی نشان می دهد در حالی که شبکه دارای میانگین خطای 88/0 می باشد که برتری قابل توجه مدل شبکه عصبی مصنوعی را در پیش بینی رواناب نشان می دهد.