به منظور تخمین زمانی- مکانی مقدار بارش ماهیانه، با توجه به پیچیدگی پدیده و در دسترس نبودن اطلاعات فیزیکی کافی و عدم اطلاع دقیق از روابط و معادلات ریاضی حاکم بر مسئله، معمولاً به سراغ ارائ? مدلهای جعبه سیاه، که مستقل از پارامترهای فیزیکی موثر بر پدیده و معادلات حاکم بین آنها می باشد، باید رفت. در این پایان نامه مدلی ترکیبی و جعبه سیاه تحت عنوان ann-rbf به منظور تخمین زمانی- مکانی مقدار بارش ماهیانه پیشنهاد گردید. این مدل شامل دو گام می باشد: در گام اول با توجه به استوکستیک بودن مقدار بارش ماهیانه و توانایی گسترد? شبک? عصبی مصنوعی(artificial neural network) در حل مسائل پیچیده و غیرخطی، با استفاده از شبک? عصبی پرسپترون چندلایه(multi layer perceptron)، سعی در تخمین زمانی مقدار بارش ماهیانه در ایستگاههای باران سنجی با استفاده از مقدار بارش در ماههای گذشته در همان ایستگاه شده است. در گام دوم این مدل با استفاده از تخمینگر خطی توابع پایه شعاعی(radial basis function)، سعی در تخمین مکانی مقدار بارش ماهیانه در یک زمان مشخص در یک نقط? دلخواه و با توجه به مقدار بارش ماهیانه در ایستگاههای باران سنجی به عنوان نقاط گرهی گردیده است. به منظور تخمین مکانی، هر سه تابع رایج پایه شعاعی یعنی توابع inverse multi quadric، multi quadric و gaussian استفاده شده است. در نهایت ترکیب این دو گام، مدل ترکیبی ann-rbf را نتیجه می دهد. به منظور دستیابی به این مدل، از داده های بارش ماهیانه در حدفاصل فروردین 1375 تا اسفند 1383 در یازده ایستگاه باران سنجی دشت اردبیل بهره گرفته شده است. نتایج حاصله نشان از توانایی گسترد? شبک? عصبی مصنوعی در پیش بینی زمانی مقدار بارش ماهیانه دارد. همچنین تابع پایه شعاعی imq، در مقایسه با دو تابع دیگر منجر به نتایج مطلوبی در تخمین مکانی مقدار بارش ماهیانه گردید.