محمدرضا سالاری فنودی - دانشجوی دکتری آب و هواشناسی دانشگاه سیستان و بلوچستان، زاهدان، ایران
محمود خسروی - استاد اقلیم شناسی، گروه جغرافیای طبیعی (اقلیم شناسی)، دانشگاه سیستان و بلوچستان، زاهدان، ایران
تقی طاوسی - استاد اقلیم شناسی، گروه جغرافیای طبیعی (اقلیم شناسی)، دانشگاه سیستان و بلوچستان، زاهدان، ایران
محسن حمیدیان پور - دانشیار اقلیم شناسی، گروه جغرافیای طبیعی (اقلیم شناسی)، دانشگاه سیستان و بلوچستان، زاهدان، ایران

عنصر بارش ماهیت متغیر و تصادفی دارد و به لحاظ مکانی و زمانی دارای رفتاری متفاوت است. لذا پیش­نمایی بارش در مقایسه با دیگر متغیرهای هواشناسی دارای عدم قطعیت بیشتر است. در پژوهش حاضر برای کاهش عدم قطعیت و تخمین مناسب  بارش، از برونداد داده های پایگاه کوردکس و مدل های CMIP۵ از روش شبکه عصبی استفاده شد. نتایج نشان داد با توجه به همبستگی بالای دما، رطوبت و فشار هوا با بارش، کاربست این متغیرها در کاهش عدم قطعیت پیش­نمای بارش سودمند است. ضمن اینکه می توان از روش غیرخطی شبکه های عصبی مصنوعی جهت اریب سازی داده های بارش پایگاه کوردکس و CMIP۵ جهت آینده نگری بارش در جنوب شرق کشور استفاده کرد. از دیگر نتایج این پژوهش روند افزایشی بارش های جنوب شرق ایران به ویژه نواحی ساحلی می­باشد. این امر را می­توان ناشی از افزایش سطح تحت تاثیر بارش های متاثر یا هم زمان با مونسون جنوب غرب هند دانست. روند افزایشی بارش در سواحل جنوبی بی ارتباط با افزایش ظرفیت نگهداشت محتوای رطوبتی نیز نمی­باشد. تغییرپذیری بین بارش سالانه باران های موسمی هند نیز نشان دهنده یک روند مثبت ثابت تحت گرمایش جهانی بی وقفه است. ازآنجاکه هم افزایش مدت بارندگی های موسمی و هم افزایش تنوع بین سالی در آینده در بیشتر مدل ها دیده می شود، می توان به این روندهای پیش بینی شده اطمینان خاطر داد. همچنین  پیش بینی می شود که بارش باران های مونسون تابستان هند در شرایط گرم شدن کره زمین در دهه ۲۰۵۰ در مقایسه بازمان پایه بیشتر باشد.

پیش نگری, مدل سازی, تغییر اقلیم, گرمایش جهانی, شبکه عصبی مصنوعی