در این پژوهش از دو مدل گردش عمومی جو (GCM) (Can-ESM2, BNU-ESM) برای شبیه سازی بارش دوره آتی در شهر تبریز، استفاده شده است. مهم ترین ضعف مدل های GCM، بزرگ بودن مقیاس مکانی متغیرهای اقلیمی شبیه سازی شده است که روش های مختلف ریزمقیاس نمایی درصدد رفع این نقیصه می باشند. در این مطالعه برای ریز مقیاس نمودن متغیرهای اقلیمی مدل های GCM، از مدل های هوش مصنوعی شبکه عصبی مصنوعی (ANN) و نروفازی (ANFIS)، بهره گرفته شده است. بدون شک اصلی ترین مرحله به هنگام استفاده از این مدل ها، انتخاب مناسب ترین ورودی از میان داده های بسیار متعدد ارایه شده توسط GCMها می باشد. بنابراین در این مطالعه برای انتخاب پارامترهای ورودی موثر از روش های درخت تصمیم و تابع اطلاعات مشترک (MI) استفاده شده است. همچنین روش ترکیب مدل برای کاهش عدم قطعیت در ریزمقیاس نمایی و افزایش دقت پیش بینی استفاده شده است. در این پژوهش مقایسه نتایج روش های ریز مقیاس نمایی نشان داد که، مدل ترکیبی با موثرترین ورودی های تعیین شده با درخت تصمیم نتایج مناسبتری ارایه می دهد. بطوریکه در هر دو مدل GCM، بکارگیری مدل ترکیبی با پیش بینی کننده های مبتنی بر درخت تصمیم نسبت به مدل های ANN و ANFIS در ریزمقیاس نمایی سبب افزایش %38-%10 DC در مدلسازی بارش می گردد. پیش بینی بارش ایستگاه سینوپتیک تبریز با مدل ترکیبی نشان داد که بارش دوره آتی (2060-2020) تحت سناریوهای RCP4. 5 و RCP8. 5 تا %40-% 30 کاهش می یابد.