برآورد صحیح جریان (دبی) در رودخانه ها یکی از مهمترین موارد در مطالعات هیدرولوژیکی، هیدرولیکی و مهندسی رودخانه بشمار می آید و عملاً بدین چنین داده هایی انجام پروژه های ساماندهی رودخانه ها، برآورد جریان زیست محیطی، تخمین دبی با دوره بازگشتهای مختلف و نیز طراحی سرریز سدها و حجم مخازن سدها میسر نخواهد گردید. تاکنون روشهای مختلفی برای برآورد میزان جریان خروجی از حوضه ­ها ارائه شده است که از مهم­ترین آنها می­توان به مدلهای بارش-رواناب، روابط تجربی، مدلهای مفهومی (Conceptual) و مدلهای مبتنی بر داده (مانند روشهای مبتنی بر شبکه عصبی و الگوریتم ژنتیک) اشاره نمود. استفاده از مدلهای بارش-رواناب نیازمند داده های متعددی همچون: بارش، پوشش گیاهی، نقشه خاک، نقشه توپوگرافی میباشند که فراهم نمودن آنها در بسیاری از حوضه به راحتی امکان پذیر نیست. 

برخلاف مدلهای بارش-رواناب مدلهای مبتنی بر داده همچون شبکه عصبی دارای محدودیتهای مذکور نمیباشند و تنها با یافتن ارتباط بین متغیرهای ورودی و خروجی سعی در شناسائی رفتار هیدرولوژیکی حوضه مینمایند. چنین مدلهایی دارای مفهوم فیزیکی نبوده و به صورت یک جعبه سیاه عمل می نمایند. شبکه‌های عصبی مصنوعی یا شبکه‌های عصبی صناعی (Artificial Neural Networks – ANN) یا به زبان ساده‌تر شبکه‌های عصبی سیستم‌ها و روش‌های محاسباتی نوین برای یادگیری ماشینی، نمایش دانش و در انتها اعمال دانش به دست آمده در جهت بیش‌بینی پاسخ‌های خروجی از سامانه‌های پیچیده هستند. ایدهٔ اصلی این گونه شبکه‌ها تا حدودی الهام‌گرفته از شیوهٔ کارکرد سیستم عصبی زیستی برای پردازش داده‌ها و اطلاعات به منظور یادگیری و ایجاد دانش میباشد. عنصر کلیدی این ایده، ایجاد ساختارهایی جدید برای سامانهٔ پردازش اطلاعات است. 

این سیستم از شمار زیادی عناصر پردازشی فوق‌العاده بهم‌پیوسته با نام نورون تشکیل شده که برای حل یک مسئله با هم هماهنگ عمل می‌کنند و توسط سیناپس‌ها (ارتباطات الکترومغناطیسی) اطلاعات را منتقل می‌کنند. در این شبکه‌ها اگر یک سلول آسیب ببیند بقیه سلول‌ها می‌توانند نبود آن را جبران کرده، و نیز در بازسازی آن سهیم باشند. این شبکه‌ها قادر به یادگیری‌اند. 

با توجه به اهمیت چنین داده های دبی در مطالعات سیلاب، هیدرولوژی، منابع آب، بیلان و . . . تیم علمی آکادمی علمی آموزشی هیدرولرنینگ اقدام به تهیه دوره آموزشی “برآورد رواناب خروجی از حوضه با استفاده از شبکه های عصبی مصنوعی (ANN)” نموده است.

در این دوره آموزشی و با یک مثال کاربردی نحوه برآورد سری زمانی دبی با استفاده از داده های بارش و تبخیروتعرق و بر اساس مفهوم شبکه عصبی در محیط نرم افزار MATLAB آموزش داده شده است. در این آموزش کاربردی به تشریح تمامی جزئیات مربوط به داده های ورودی و تنظیمات مربوط به ساخت شبکه عصبی پرداخته شده است. داده های مورد استفاده در این پژوهش در مقیاس ماهانه بود و برای حوضه آبریز کورکورسر مازندران می باشد. 

پس از این این دوره آموزشی کاربر به راحتی قادر خواهد بود تا برای حوضه موردنظر خود اقدام به شبیه سازی رواناب بر اساس متغیرهای ورودی نماید. همچنین ساختار آموزش به شکلی است که از آن میتوان برای شبیه سازی هر مولفه ای (مانند: تبخیر و تعرق، رطوبت، بارش، جریان زیرسطحی، دما و . . .) استفاده نمود.