رویدادهای اقلیمی فرین، پدیدههایی هستند که از نظر شدت و فراوانی کمیاب هستند. عمده فعالیت های انسانی براساس دما پایه گذاری شده و ارگانیسم و فعالیت های ذهنی و بدنی انسان و اغلب زیستمندان، نسبت به دماهای فرین به شدت حساس بوده و دچار مشکل می شود. گرماهای فرین از تظاهرات اصلی تغییرات اقلیمی جهان معاصر هستند که به لحاظ وقوع و صدمات جانی و مالی به بار آمده، بسیار حائز اهمیت می باشد. روزهای گرم از حالت های دمایی و رخداد آن ها یکی از حالت ها و پدیده های مهم اقلیمی به شمار می آید. در این تحقیق، منظور از گرمای فرین، دمای فرین می باشد. نوع تحقیق کاربردی- توسعه ای و روش آن کمی- تحلیلی است. هدف از این پژوهش پیش بینی فراوانی وقوع گرماهای فرین با استفاده از آمار روزانه هواشناسی ایستگاه های یزد، طبس، بافق، رباط پشت بادام، کرمان، کهنوج، شهربابک، بافت، اصفهان و کاشان طی دوره مشترک آماری 21 ساله (1372- 1392) می باشد. با استفاده از روشهای صدک 90 و میانگین، آستانه گرماهای فرین تعریف و براساس آن، فراوانی ماهانه گرمای فرین هر ایستگاه مورد بررسی قرار گرفت. برای بررسی فراوانی فصلی هر ایستگاه نیز، آستانه براساس میانگین گیری بین آستانه های هر سه ماه، تعریف شد. برای ارائه مدل برتر پیش بینی فراوانی وقوع گرماهای فرین از دو روش رگرسیون خطی و روش غیرخطی شبکه عصبی بهره برده شد. در این تحقیق، تأثیر فراسنجهای بارش، رطوبت نسبی، سرعت باد، دمای حداقل و دمای میانگین بر روی دمای حداکثر، برای وقوع گرماهای فرین با استفاده از این دو روش بررسی گردید. نتایج تحقیق نشان داد که بیشترین فراوانی وقوع گرمای فرین در فصول بهار و پاییز حادث می شود. آزمون سه نوع شبکه های عصبی نشان داد که شعاعی و نارکس قادرند با دقت بالا و میزان خطای کمتری نسبت به شبکه های عصبی پرسپترون چندلایه به پیش بینی و شبیه سازی دماهای حداکثر بپردازند. مقایسه داده های پیش بینی شده و داده های واقعی نشان از توانایی شبکه عصبی توابع شعاعی نسبت به دو شبکه دیگر دارد. شبکه توابع شعاعی در ماه های اردیبهشت، تیر، مرداد، شهریور، مهر و آذر بالاترین کارایی و پایین ترین خطا را حاصل کردند. در ماه اسفند میزان کارایی رگرسیون نسبت به شبکه بالاتر می باشد اما به دلیل بیشتر بودن خطای آن نسبت به شبکه از تأثیرگذاری کارایی کاسته می شود، در نتیجه شبکه توابع شعاعی مناسب تر می باشد.