دانشمندان معتقدند که افزایش غلظت گازهای گلخانه ای در اتمسفر باعث تغییر اقلیم خواهد شد. مدل های جهانی اقلیم (gcms) برای تخمین میزان این تغییرات در آینده گسترش یافته اند. اما قدرت تفکیک پایین مدل های جهانی اقلیم، استفاده از آنها را برای مطالعات هیدرولوژیکی و محلی ناممکن کرده است. اکثر مدل های جهانی اقلیم دارای قدرت تفکیک بیشتر ازدو درجه عرض و طول جغرافیایی هستند. به دلیل تفکیک فضایی کم، حذف و یا ساده سازی برخی پدیده های خرد مقیاس در مدل های گردش عمومی جو، آنها در مقایسه با مدلهای منطقه ای و کوتاه مدت، نمی توانند تقریب درستی از شرایط آب و هوایی ناحیه مورد مطالعه را ارائه دهند. لذا بایستی خروجی آنها توسط مدل های دینامیکی منطقه ای یا آماری تا حد ایستگاه ها یا تا مقیاس فضایی حدود 50 کیلومتر ریز مقیاس شده تا با لحاظ اثرات محلی، خطای مدل های گردش عمومی جو به حداقل ممکن برسد. بنابراین لازم است که مقیاس خروجی این مدل ها را کاهش داد. هدف در این پایان نامه ارائه راه کارهایی برای بهبود دقت مذل های ریزمقیاس نمایی است. روش های ریزمقیاس نمایی، به چهار دسته کلی تقسیم می شوند: 1) رگرسیونی 2) الگوهای آب و هوا 3) روش احتمالی 4) روش دینامیکی. از بین این چهار روش، روش های رگرسیونی به علت سهولت بیشتر از روش های دیگر مورد استفاده قرار می گیرند. در بین روش های رگرسیونی نیز روش رگرسیون خطی از دیگر روش ها ساده تر است، در این مطالعه این روش بررسی می شوند.این مدل به صورت ماهیانه کار می کند. مدل های آماری به علت محدودیت های خود قادر نیستند که به صورت روزانه کار کنند. برای این که بتوان به صورت روزانه مدل را اجرا کنیم، می توانیم از روش های هوش مصنوعی برای ریز مقیاس نمایی استفاده کنیم. در بخش دوم این پایان نامه از شبکه های عصبی برای مدل سازی استفاده می کنیم. برای مدل سازیی از شبکه bp و rbf استفاده می کنیم. ترکیب شبکه های عصبی و منطق فازی، در چند سال اخیر مورد توجه محققان قرار گرفته و در بسیاری از زمینه ها مورد استفاده قرار گرفته است. این مدل ها به صورت روزانه کار می کنند. به منظور بهبود خروجی های مدل های ارائه شده از ترکیب شبکه عصبی و منطق فازی استفاده می کنیم. نتایج بدست آمده بهبود روش ارائه شده در مقایسه با روش های بیان شده قبلی را نشان می دهد. سپس با استفاده از این روش بهینه، دمای 30 سال آینده را پیش بینی و روند دما را بررسی می کنیم، سپس آن را با دوره گذشته مقایسه می کنیم.