بدر سالهاي اخیر خسارتهاي ناشی از سیل در بسیاري از مناطق جهان رشد صعودي داشته است که بارشهاي غیر مترقبه به عنوان یک عامل تهدید کننده در احتمال وقوع سیل محسوب می شود. پیش بینی بارش در مدیریت و هشدار معضل سیل نقش مهمی بر عهده دارد. به منظور جلوگیري از خسارات ناشی از سیل و سعی در کنترل ومهار آن ضرورت ، اهمیت پیش بینی بارش امري اجتناب ناپذیر به نظر می رسد. زیرا با اطلاع از میزان بارندگی ، می توان امکان وقوع سیل را در منطقه پیش بینی و اقدامات لازم را به عمل آورد. در مناطق آسیب پذیر ، ایجاد یک ساختارهاي دفاعی در برابر سیل مهم و جدي است و پیش بینی به موقع بارش نیز عاملی بوده که براي مقابله با سیل و اهداف مدیریتی آن از اهمیت بیشتري برخوردار است. با توجه به اینکه پیش بینی بارش تابع عوامل عوامل بسیاري از جمله فشار ، دما ، باد و … می باشد ، و همچنین محدودیت هایی از قبیل نبود اطلاعات بارش در مقیاس هاي زمانی و مکانی مناسب ، استفاده از روش هاي معمول از پیچیدگی هاي زیادي برخوردار است. تحلیل نتایج خروجی مدل شبکه عصبی نشان داده که این مدل توانایی بهتر و دقت بالایی براي پیش بینی بارش نسبت به روش هاي آماري معمول داشته است و با افزایش فاکتورهاي ورودي ، شبکه دقت بالاتري را در پیش بینی ارائه می دهد در صورتی که اگر شبکه ورودي کمتري داشته باشد خطاي بیشتري را دارا می باشد.فهرست : مقدمهتشریح موقعیت مکانیمواد و روش کارشرح راه کار اولنحوه ورود داده هانمودار شماتیک شبکه عصبی مصنوعیخروجی شبکه عصبی مصنوعیخروجی تحلیل و آنالیز نتایج داده هاپیشنهاد هایی برای تحقیق بیشترمعیارهای صحت نتایج و روش حلمبانی شبکه های عصبی مصنوعیآمار بارش ماهیانه ایستگاه هواشناسی کرمانمعیار تعیین پیش بینی پذیر بودن داده های بارش