فرآیند بارش-رواناب یک پدیده بسیار پیچیده در علم آبشناسی و شناخت آن در مدیریت و برنامه ریزی منابع آب از اهمیت بالایی برخوردار است. مدل سازی هر چه دقیق تر این فرآیند می تواند ضریب اطمینان بالایی در طراحی سازه های هیدرولیکی، ساماندهی رودخانه و برنامه ریزی برای سیستم های هشدار سیل را ممکن نماید. جهت مدل سازی این فرآیند روش های مختلفی نظیر روش های مفهومی و عددی وجود دارد. روش های مبتنی بر هوش مصنوعی و استخراج دانش پنهان در داده های آبشناسی در دهه اخیر مورد توجه محققین علوم آب قرار گرفته است. از لحاظ تئوری برای مدل کردن یک سیستم لازم است که روابط ریاضی صریح بین ورودی ها و خروجی ها بطور دقیق معلوم باشد. استخراج چنین رابطه صریح بسیار مشکل است و در بسیاری از مسایل این روابط نامعلوم هستند. در این حالت روش های محاسبات نرم که محاسبات را در شرایط غیردقیق انجام می دهند مورد توجه قرار می گیرند. یکی از انواع روش های مبتنی بر هوش مصنوعی، روش گروهی کنترل داده ها(gmdh) است. در این روش به تدریج یک مدل پیچیده در طول ارزیابی مجموعه اطلاعات ورودی و خروجی تولید می شود. در این تحقیق برای شبیه سازی فرآیند بارش-رواناب حوضه آبریز پلرود که در شمال کشور ایران و درشرق استان گیلان واقع شده است، یک مدل مبتنی بر روش gmdh توسعه داده شده است. نتایج بدست آمده از این روش با نتایج شبکه های عصبی مصنوعی(ann) در شبیه سازی بارش-رواناب مقایسه شده است. همچنین برای ارزیابی دقت مدل سازی توسط این دو مدل از یکسری شاخص های آماری نظیر مجموع مربعات میانگین خطای نسبی (msre)، درصد مجموع مطلق میانگین خطای نسبی (mpre)، ضریب راندمان (ce) و انحراف نسبی (rb) استفاده شده است. نتایج حاصل از این دو روش حاکی از عملکرد بالای این روش ها مخصوصاً مدل توسعه داده شده gmdh در پیش بینی و شناسایی روابط پیچیده بین متغیرها در مسائل مختلفی نظیر پیش بینی رواناب ناشی از بارندگی می باشد.