شبیه سازی جریان رودخانه به با دقت بالا لازمه علم مدیریت رودخانه می باشد. در مواجه با چالش قدیمیِ مدلسازی روزانه جریان رودخانه، آموزش عمیق به عنوان ابزاری نوین مطرح شده است. در مطالعه حاضر، با تمرکز بر انتخاب سناریوی مناسب از ورودی هایِ مدل آموزشِ عمیق، شبیه سازی جریان روزانه رودخانه کشکان در چندین نوبت به روش آموزش عمیق LSTM و GRUانجام شده است. پیش از این، مدلسازی آموزش عمیق بهروش GRU و با استفاده از داده های بومی اندازه گیری جریان رودخانه انجام نشده است. منطقه، مستعد سیل و کوهستانی بوده و ایستگاه هیدرومتری با سابقه وقوع سیل، واقع بر روی رودخانه کشکان انتخاب شده است. با استفاده از 4 رویکرد از روش های حذف داده های پرت، ورودی به دو مدل LSTM وGRU انتخاب شده و هشت مدل تولید شده است. ورودی های ممکنه، عبارت بوده است از میانگین بارش منطقه، شاخص پوشش گیاهی نرمال شده، رطوبت خاک سطحی، جریانات آب زیرزمینی و همچنین خود جریان رودخانه کشکان در ایستگاه هیدرومتری. نتایج نشان داد بهترین عملکرد را به ترتیب، مدل GRU با ورودی های اصلاح شده به روش حذف Z-Score، ماهالانوبیس با مقادیر RMSE میانگین و KGE و 41/5 و 99/0 و 23/6 و 7/0 در آموزش و 17/8 و79/0و 21/4 و 81/0در اعتبارسنجی و 01/5 و 68/0 و21/7 و 52/0و در مرحله تست می باشند. نتایج، روش LSTM را در شبیه سازی جریان رد نمی کند، اما سناریوهای برشمرده شده در روش GRU قدرت بالاتری در تشخیص الگوی پیچیده جریان روزانه رودخانه نشان دادند.