برآورد بارندگی بهعنوان مهم ترین پارامتر هواشناسی، نقش بسزایی در مدیریت منابع آب هر منطقه ایفا می نماید. در این تحقیق با توجه به تصافی و غیرخطی بودن بارندگی از تکنیک مدل های خوشمند عصبی برای شبیه سازی بارندگی شهر گرگان طی سال های 1971 تا 2010 استفاده شد. بدین منظور با لحاظ داده های بارشی در قالب سری زمانی و داده های هواشناسی در قالب داده های غیربارشی، کاربرد شبکه عصبی مصنوعی در برآورد بارندگی ایستگاه گرگان مورد بررسی قرار گرفت. نتایج ضریب همبستگی پیرسون نشان داد که پارامترهای ابرناکی، دمای حداکثر، فشار بخار آب، رطوبت نسبی حداکثر و نقطه ی شبنم، به عنوان مهمترین پارامترهای هواشناسی، بیشترین همبستگی را با بارندگی منطقه داشتند. نتایج اجرای شبکه عصبی مصنوعی در برآورد بارندگی نشان داد با کاربرد 5 پارامتر هواشناسی غیربارشی، میانگین مجذور مربعات خطای نرمال (NRMSE) 0/01 با همبستگی 0/71 بود. در مقابل، اجرای ساختارهای مختلف سری زمانی، با کاربرد داده های بارندگی گام های زمانی قبل، بیانگر افزایش دقت شبکه عصبی مصنوعی بود. به طوری که مقدار NRMSE 0/001 با همبستگی 0/91 بدست آمد. بنابراین می توان کاربرد داده های بارشی در برآورد بارندگی منطقه مورد مطالعه را مناسب تر از پارامترهای هواشناسی غیربارشی دانست.
