در دهه های اخیر در کشور ما، نیاز به پیش بینی دقیق و سریع رواناب به علت افزایش تعداد سیلاب ها به شدت افزایش یافته است. بنابراین توسعه و اجرای روش های مناسب برای پیش بینی رواناب از روی داده های بارش بسیار ضروری به نظر می رسد. ولی با توجه به کمبود داده های مورد اعتماد در حوضه های آبریز، ارائه مدل هایی که بتواند این نقیصه را جبران نموده و تا حدودی ژئومورفولوژیک حوضه را نیز وارد مدلسازی نماید احساس می گردد. یکی از این اقدامات، در جهت یافتن یک ارتباط قوی بین هیدروگراف واحد با ساختار فیزیکی آن، مدل هیدروگراف واحد لحظه ای ژئومورفولوژیکی giuh می-باشد. این مدل، حوضه را به صورت یک سیستم خطی فرض کرده و مستقل از عمق جریان و یا واقعه بارش می باشد و روشی سریع برای برآورد دبی سیلاب ها بخصوص در حوضه های فاقد آمار می باشد. اما در دهه های اخیر، مطالعات بیشتر به سمت روش های الهام گرفته از طبیعت همچون شبکه های عصبی مصنوعی و برنامه ریزی بیان ژن سوق داده شده است. هدف از این تحقیق ترکیب دو مدل شبکه عصبی مصنوعی و برنامه ریزی بیان ژن با مدل هیدروگراف واحد لحظه ای ژئومورفولوژی و تولید دو مدل شبکه عصبی ژئومورفولوژیکی (gaan) و برنامه ریزی بیان ژن ژئومورفولوژیکی (ggep) بعنوان مدل جدید جهت پیش بینی فرآیند بارش – رواناب در حوضه صوفی چای می باشد. در تحقیق حاضر با استفاده از این ابزارها، ارتباط بین بارش، رواناب و تاثیرخصوصیات ژئومورفولوژیکی بر روی این فرآیند پیچیده، استخراج و بررسی شد و در آن از 4 واقعه بارش – رواناب جهت آموزش و 2 واقعه جهت تست عملکردشان مورد استفاده قرار گرفت. همچنین در استخراج روابط در مدل ggepعلاوه بر صوفی چای، از اطلاعات چهار حوضه دیگر شامل دیزناب، لیقوان، کمانج و سهزاب بهره گرفته شد. مقایسه مقادیر محاسباتی با مقادیر متناظر مشاهداتی، نشان داد هر سه مدل، قابلیت شبیه سازی خصوصیات کلی هیدروگراف را دارند ولی دو مدل فراکاوشی gann و ggepبه دلیل استفاده از مقادیر رواناب در گام های زمانی پیشین بعنوان ورودی باعث افزایش عملکرد بهتر آنها در تخمین دبی اوج و زمان رسیدن به اوج، نسبت به مدل giuh شده است. با وجود نزدیکی نتایج دو مدل gann و ggep به یکدیگر، مدل ggepبدلیل تولید یک رابطه صریح و ساده ریاضی، بعنوان مدل نهایی حوضه مربوطه انتخاب گردید.