یکی از ابراز پرکاربرد در پیش بینی آب و هوا و بررسی تاثیرات تغییر اقلیم بر روی پارامترهای آب وهوا مدل گردش عمومی (GCM) می باشد. در این مطالعه ریزمقیاس نمایی GCMها با استفاده از شبکه عصبی مصنوعی انجام گرفته است. از آنجایی که روش کلاسیک شبکه عصبی مصنوعی (پیش بینی نقطه ای) هیچ اطلاعاتی درباره ی دقت پیش بینی نمی دهد، از فواصل پیش بینی برای کمیت سنجی دقت ریزمقیاس نمایی شبکه عصبی مصنوعی استفاده شده است. برای محاسبه فواصل پیش بینی از روش جدید حد بالا و پایین (LUBE) استفاده شده است، که در آن شبکه عصبی با دو خروجی برای تخمین حدود پیش بینی ساخته شده است. همچنین روش کلاسیک بوت استرپ، روشی برای ارزیابی عدم قطعیت پیش بینی مورد استفاده قرار گرفته و نتایج حاصل از دو روش مقایسه شده است. بنابراین دقت فواصل پیش بینی به وسیله دو معیار همگرایی فواصل پیش بینی و عرض فواصل، کمیت سنجی شده است. سه GCM، Can-ESM2, BNU-ESM, INM-CM4 و ترکیب آنها، در چهار نقطه ی شبکه بر روی هر یک از دو ایستگاه تبریز و اردبیل در شمال غربی ایران، برای ارزیابی فواصل پیش بینی ریزمقیاس نمایی بارش ماهانه و دما استفاده شده است. مقایسه بین نتایج دو مدل نشان داده است که روش LUBE، قابلیت اطمینان بیشتری نسبت به بوت استرپ دارد. عرض فواصل پیش بینی و احتمال همگرایی، به ترتیب 10% تا 40% کمتر و 2% تا 10% بیشتر از روش بوت استرپ برای GCM بوده است. ترکیب GCMها به نتایج دقیق تری منجر شده است و عرض فواصل پیش بینی و احتمال همگرایی، به ترتیب 10% تا 60% کمتر و 2% تا 20% بیشتر از مدل های تکی GCM بوده است.

امروزه، استفاده از خروجی های الگوهای گردش عمومی در مطالعات هواشناسی و اقلیم شناسی، گسترش پیدا کرده و بسیاری از خلاهای محاسباتی را پوشش داده است. با توجه به این که اخیرا قدرت تفکیک الگوهای گردش عمومی و منطقه ای به شکل چشمگیری افزایش یافته است، اما هیچ یک از این الگوها قادر به پیش بینی آب و هوای واقعی در مقیاس ایستگاهی و خرد مقیاس نیست، لذا جهت به کارگیری خروجی این الگوها روش های مختلفی به کار برده می شود. این روش ها که به دو دسته آماری و دینامیکی تقسیم شده و گاهی به صورت تلفیقی از هردو به کار می روند به روش های ریزگردانی معروف اند. نوشتار حاضر می کوشد تا با انتخاب بهترین سناریوی اقلیمی، که هم خوانی مناسبی با داده های دیده بانی شده منطقه (ایستگاه های سینوپتیک استان خراسان) دارد و به کارگیری روش های آماری و دینامیکی، بهترین داده های اقلیمی را که با داده های واقعی هم خوانی داشته باشد، استخراج نماید تا با به دست آوردن ضرایب وزنی بین آنها پس از ریزگردانی، داده های پیش بینی اصلاح شده ای را استخراج نماید. در پایان با کاربرد شاخص استاندارد شده بارش، پهنه بندی مناسبی از وضعیت خشکسالی در آینده ارایه شود.

تحقیقات پژوهشگران طی سالهای گذشته نشان می­دهد که تغییرات اقلیمی اثرات متفاوتی بر روی مولفه‌های اقلیم و مولفه­های هیدرولوژیکی دارد. نتایج یافته­های دانشمندان گویای این نظر است که وقوع تغییرات اقلیمی در آینده نمود بیشتری خواهد داشت، لذا تحلیل و پیش­بینی تغییرات اقلیمی از اهمیت ویژه­ای برخوردار است. پژوهش حاضر، با توجه به ماهیت مسئله و موضوع مورد بررسی، از نوع توصیفی­تحلیلی است و از نوع مطالعات کاربردی با تأکید بر روش‌های کمی است که با استفاده از مدل  GCM انجام گرفت. به‌منظور اجرای اهداف در نظر گرفته شده، شامل: مدل­سازی تغییر اقلیم  تالاب­های آلاگل، آجی­گل و آلماگل از آمار ایستگاه هواشناسی ایستگاه اینچه­برون که دارای آمار 20 ساله میانگین بارش و میانگین دما در فواصل سال‌های (2001-2020) در مقیاس ماهانه و سالانه استفاده ‌شده است. در تحقیق حاضر، پیش‌بینی داده­های بارش و دما با استفاده از خروجی‌های مدل  HadCM3  انجام ‌شده است. داده­های شبیه­سازی شده میانگین بارندگی حاصل از مدل‌  Hadcm3 در LARS-WG تحت سناریو SRA1B  برای ریزمقیاس نمایی آماری داده­های مدل گردش عمومی جو و تولید داده مصنوعی برای دوره آتی با استفاده از سه سناریویB1، A2 و  AIB (به ترتیب خوشبینانه، بدبینانه و متوسط) تأیید شده توسط هیئت بین­الدول تغییر اقلیم بین سال­های 2021 تا  2050 برﺁورد شده است. بدین منظور،  برای انتخاب بهترین روش درون­یابی از شاخص­های آماری از قبیلRMSE ، ME و MSE استفاده شد. یکی از مهمترین راهبردهای موجود در زمینه وزن­دهی، تکنیک‌های کمی و ریاضی است. بر اساس نتایج تحقیق، آزمون‌های همگنی روند تطابق بسیار مناسبی با یکدیگر داشته‌اند. در مواقعی که آزمون روند­یابی حاکی از روند معنی‌‌‌دار آماری در سری زمانی بوده، آزمون‌های همگنی نیز عدم همگن بودن آن سری را تأیید می‌کنند. سری‌های بارش در ایستگاه اینچه برون با روند کاهش تقریبی همراه بود. همچنین، دمای حداکثر و  حداقل روند افزایشی را نشان داد. مدل­سازی سری‌های بارش در ایستگاه اینچه­برون با روند کاهش تقریبی همراه بوده و همچنین دمای حداکثر و دمای حداقل روند افزایشی را داد.