اهداف: هدف این پژوهش، پیش بینی بارش روزانه با استفاده از آمار روزانۀ هواشناسی ایستگاه های کرمان، بافت و میانده جیرفت، طی دورۀ مشترک آماری 23 ساله (2012-1989) می باشد.
روش: برای دست یافتن به هدف تحقیق، به آموزش شبکه های عصبی مصنوعی با ساختار پرسپترون چند لایه و شبکة عصبی تابع پایة شعاعی پرداخته شد. ترکیب های مختلف پارامترهای کمینۀ دما، بیشینۀ دما، میانگین دما، رطوبت نسبی، سرعت و جهت باد و نیز میانگین فشار، به عنوان ورودی های شبکه های عصبی مصنوعی و بارش روزانه به عنوان خروجی شبکه درنظر گرفته شدند.
یافته ها/ نتایج: نتایج نشان داد شبکه های عصبی مصنوعی پایۀ تابع شعاعی از دقت بسیار بیشتر و خطای کمتری نسبت به شبکة عصبی پرسپترون، برای تخمین بارش روزانه در هر سه ایستگاه برخوردار هستند.
نتیجه گیری: در بهترین ترکیب با پارامتر های کمینه و بیشینه و حداقل دما و رطوبت نسبی، سرعت و جهت باد و نیز میانگین فشار در ایستگاه کرمان با ضریب همبستگی 907/0 و جذر میانگین مربعات خطای 014/0، بهترین مدل پیش بینی بارش در این تحقیق شناخته شدند.
