مدل سازی اکثر فرایندهای هیدرولوژیکی امری مشکل ولی حائز اهمیت است زیرا این فرایندها نتیجه تاثیرات متقابل پارامترهای بسیار زیادی می باشند که منجر به یک سیستم پیچیده می شود. در این میان به دلیل نیاز روز افزون به ذخایر آبی قابل استحصال، رواناب ورودی به مخازن از اهمیت بسیاری برخوردار است. بهدلیل عدم قطعیت ذاتی رواناب، پیش بینی جریان های آتی ورودی به مخزن، در اتخاذ تصمیمات کاربردی و موثر، بسیار مفید و لازم می باشد. در این پژوهش با استفاده از مدل های سیستم استنتاج عصبی-فازی تطبیقی (anfis) که از پایگاه داده ی کاملی برخوردار است، به مدل سازی فرایند بارش-رواناب پرداخته می شود. ازآنجایی که مدل anfis در مواجهه با فرایندهای پیچیده با تعداد پارامترهای زیاد، قوانین زیادی تولید می کند و دچار نفرین ابعادی می شود، با پیش پردازش خوشه بندی فازی به افزایش کارایی مدل anfis پرداخته می شود. در این پژوهش خوشه بندی فازی با دو روش subclust و fcm انجام می شود. خوشه بندی فازی با دسته بندی داده های ورودی به دسته هایی مستقل، ضمن کاهش تعداد ورودی ها به مدل anfis، به علت استقلال دسته ها، هیچ نگاشتی بین دسته ها ایجاد نمی کند و تنها به تعداد دسته های ورودی قانون تشکیل می دهد. با استفاده از خوشه بندی فازی به عنوان پیش پردازش مدل anfis با کاهش قابل توجه تعداد قوانین، علاوه بر اینکه سیستم دچار نفرین ابعادی نمی شود سرعت مدل نیز بسیار افزایش می یابد. در راستای اهداف پایا ن نامه با استفاده از تکنیک های ذکرشده، دو مدل پیش بینی روزانه و ماهانه رواناب توسعه داده شده است که روش anfis با پیش پردازش خوشه بندی فازی fcm بهترین نتایج را دو پیش بینی ارائه نمود. جهت ارزیابی کارایی مدل های معرفی شده، عملکرد مدل fcm در بهره برداری از مخزن جهت شبیه سازی استفاده شده است. نتایج در مقایسه با نتایج حاصل از منحنی فرمان، حکایت از برتری مدل توسعه داده شده در این تحقیق دارد. به طوریکه توانسته است تغییرات نسبت عدم تامین نیاز آبی را در طول سال به میزان قابل قبولی کاهش دهد.