با گسترش روزافزون مشکلات زیست محیطی و منابع آب و نیاز مستمر به بررسی کمی و کیفی این مشکلات، استفاده از مدل های حوزه آبریز امری اجتناب ناپذیر شده است. ارتباط بین داده ها و مدل در حوزه ی مسائل آبی بسیار پیچیده است. متاسفانه در روند مرسوم مدل سازی در بسیاری از موارد این ارتباط متقابل و پیچیدگی های آن چندان مورد توجه قرار نمی گیرد و در نتیجه منجر به نتیجه گیری های کاملا نادرست و بعضا متناقض می شود. در این موارد اغلب فرد مدل ساز بدون در اختیار داشتن دانش کافی در زمینه ی ارتباط داده های موجود و مدل، ابتدا مدل را انتخاب می کند، سپس به بررسی مساله ای که می تواند از طریق این مدل پوشش دهد می پردازد. بسیار شگفت آور است که در اغلب این موارد، اتخاذ استراتژی "مدل پیچیده تر، نتایج دقیق تر" بسیار مرسوم است. این در حالی است که در بسیاری از موارد بکارگیری یک مدل بسیار ساده در صورتی که هماهنگ با ساختار داده های موجود و با اشراف کافی به ماهیت مساله انتخاب شود می تواند نتایجی بسیار معتبرتر، نزدیکتر به واقعیت و کاربردی تر در مقایسه با یک مدل بسیار پیچیده ارائه دهد. هدف از این تحقیق، ارائه ی الگویی جهت مواجهه با مساله دستیابی به سطح مناسب از پیچیدگی در مدل با توجه به ساختار داده های موجود می باشد. در این راستا، یک روند چندمرحله ای برای مدل سازی حوزه آبریز ارائه شده است. این روند شامل شناسایی مسئله در حوزه آبریز، انتخاب و بسط یک مدل ساده، مناسب برای پوشش دادن مساله مشخص شده با توجه به ساختار داده های موجود و نهایتا بکارگیری مدل برای بررسی مساله ی مشخص شده می باشد. این فرایند با افزایش پیچیدگی مدل بر اساس داده های موجود تکرار می شود تا مساله مورد نظر تا حد امکان پوشش داده شود. با استفاده از این روند می توان امید داشت که مدل انتخابی نه بیش از حد ساده و نه بیش از حد پیچیده خواهد بود. به عنوان مطالعه ی موردی، کاربرد این روند در مدل سازی یکی از زیر حوزه های حوزه آبریز کر و سیوند در استان فارس نشان داده شده است. کاربرد این مثال نشان داد که برای بررسی تغییرات زمانی رواناب تولیدی در حوزه مورد نظر، استفاده از یک مدل بسیار ساده (معادله پایستگی جریان) کفایت می کند. این در حالی است که در صورتی که هدف بررسی تغییرات مکانی رواناب تولیدی باشد، لازم است از مدلی توزیعی با ساختاری پیچیده تر (topmodel) استفاده کرد. با استفاده از روند چندمرحله ای پیشنهاد شده می توان امیدوار بود که با داشتن دانش کافی در مورد اندرکنش ساختار داده های موجود و مدل انتخابی، به سطح مناسبی از پیچیدگی در مدل رسید و بالطبع نتایجی با بالاترین قابلیت اطمینان به دست آورد.