در این تحقیق داده¬های مربوط به ناهنجاریهای دمایی کره زمین و بارش متوسط سالیانه ایستگاه تبریز در طی دوره آماری 1951-2005 استفاده شده¬اند. روشهای اصلی به¬کار¬ گرفته شده در این مطالعه عبارت است از روش تعیین ضریب همبستگی پیرسون، تحلیل مؤلفه روند سری¬های زمانی، رگرسیون خطی ساده و رگرسیون پولی¬نومیال به عنوان یک روش نیمه¬خطی و شبکه¬های عصبی مصنوعی. نتایج حاصل از کاربرد و تحلیل همبستگی پیرسون نشانگر همبستگی منفی و معکوس معنا¬داری بین بارش سالیانه تبریز و ناهنجاریهای دمایی کره زمین است. این به آن معنا است که غالباً با منفی¬شدن ناهنجاریهای دمایی کره زمین، بارش سالیانه تبریز افزایش¬پیدا کرده و ترسالی به¬وقوع می¬پیوندد و برعکس با مثبت شدن ناهنجاریهای دمایی کره زمین، متوسط بارش سالیانه تبریز کاهش پیدا کرده و خشکسالی به وقوع می¬پیوندد. تحلیل مؤلفه روند بلندمدت سری¬های زمانی نشان می¬دهد که در طول دوره آماری از بارش متوسط سالیانه تبریز کاسته می¬شود، اما روند ناهنجاریهای دمایی کره زمین روندی افزایشی از خود نشان¬می¬دهد. ارتباط بارش متوسط سالیانه تبریز با گرمایش جهانی نیز با استفاده از شبکه¬های عصبی مصنوعی شبیه¬سازی شده است. نتایج حاصل از کاربرد روشهای مختلف در این مطالعه نشان می¬دهد که روش شبکه عصبی مصنوعی در مقایسه با روشهای رگرسیون خطی ساده و رگرسیون نیمه خطی پولی¬نومیال درجه 6، روش شبیه¬سازی بهتر و دقیقتر است. روشهای مختلف شبکه¬های عصبی مصنوعی به¬کار گرفته شده در این مطالعه نشان¬ می¬دهد که روش پرسپترون چند لایه با 3 لایه مخفی و الگوریتم آموزش پس انتشار قابلیت بسیار عالی در پیش¬بینی همبستگی بین سری¬ها دارد.
