سیل، یکی از پدیده های ویرانگر طبیعی است که پیش بینی آن از اهمیت بالایی برخوردار است و در این میان برآورد بارش- رواناب به دلیل تأثیرگذاری عوامل مختلف، دشوار است. در این پژوهش با استفاده از شبکه پرسپترون چند لایه(MLP)، قانون یادگیری پس انتشار خطا(BP)، الگوریتم لونبرگ- مارکوارت(LM) و معیارهای RMSE و R2 جهت کارایی مدل، 6 سناریو تعریف گردید. بررسی حالات مختلف نشان داد که بهترین مدل شبکه عصبی جهت شبیه سازی بارش- رواناب، مدلی است با ساختار1-32-6 نرون در لایه های ورودی، پنهان و خروجی که مقادیر میانگین مربعات خطای مدل در مراحل مختلف آزمایش، صحت سنجی و آزمون به ترتیب؛ 23/0، 19/0 و 21/0 و ضریب همبستگی در بهترین سناریو به ترتیب؛ 98%، 97% و 96% می باشد که حاکی از همبستگی بالا و معنی داری بین مقادیر مشاهداتی و مقادیر پیش بینی شده دارد. نتایج حاصل، توانایی بالای شبکه عصبی مصنوعی در مدله نمودن بارش- رواناب را به هنگام استفاده از پارامترهای ؤئومورفولوژیکی در حوضه فریدن به خوبی نشان می دهد.
