ﺑﺎرش ﺑﻪ ﻋﻨﻮان ﻣﻬﻤﺘﺮﻳﻦ ﻋﻨﺼﺮ اﻗﻠﻴﻤﻲ، ﻫﻤـﻮاره از ﭘﻴﭽﻴـﺪﮔﻲ های ﺧﺎﺻـﻲ ﺑﺮﺧـﻮردار ﺑـﻮده اﺳـﺖ. اﻧﺪازه ﮔﯿﺮی دﻗﯿﻖ ﺑﺎرش ﮐﺎرﺑﺮد ﻫﺎی ﺑﺴﯿﺎری در ﺗﺤﻘﯿﻘﺎت اﻗﻠﯿﻤﯽ، ﮐﺸﺎورزی، ﺧﺸﮑﺴﺎﻟﯽ، ﺑﻼﯾﺎی ﻃﺒﯿﻌﯽ و آب-ﺷﻨﺎﺳﯽ دارد. در این مطالعه، به دلیل رفتار غیر خطی بارش، از شبکه های عصبی مصنوعی جهت پیش بینی آن بهره گرفته شد. بدین منظور داده های سالانه ی ایستگاه سینوپتیک مشهد طی دوره 40 ساله (2010-1970) در قالب داده های هواشناسی بارشی و غیر بارشی مد نظر قرار گرفت. نتایج اجرای شبکه عصبی مصنوعی با پارامتر های هواشناسی غیر بارشی به عنوان ورودی، نشان داد که اﺳﺘﻔﺎده از ﺷﺒﻜﻪ ﻫﺎی ﻋﺼﺒﻲ ﻣﺼﻨﻮﻋﻲ ﺑﺎ 1 لایه ﭘﻨﻬﺎن و 8 نرون لایه میانی و قانون ﻳﺎدﮔﻴﺮی لونبرگ-مارکوات و تابع محرک سیگموئید ﻧﺴﺒﺖ ﺑﻪ ﺳﺎﻳﺮ حالت ها و ﻣﻌﻤﺎری ﺷﺒﻜﻪ، خطای کمتر (192/0=NRMSE ) و همبستگی بیشتر (93/0=r) داشت. در مقابل با کاربرد داده-های بارشی به عنوان ورودی شبکه عصبی مصنوعی خطا به (219/0 = NRMSE) افزایش و همبستگی به ( 08/0 = r) کاهش یافت. در نهایت معین شد،کاربرد داده های هواشناسی غیربارشی نسبت به داده های بارشی، منجر به برآورد بهتر بارش در منطقه مورد مطالعه می گردد.
