در این مطالعه، شبکه های عصبی مصنوعی و مدل های رگرسیونی برای خرد مقیاس نمودن خروجی های شبیه سازی شده مدل های گردش عمومی جو استفاده شدند. داده های شبیه سازی شده بارش برای عرض های جغرافیایی ?18/25 تا ?51/34 شمالی و طول های جغرافیایی ?45 تا ?60 شرقی، ارتفاع ژئو پتانسیل در سطح 850 میلی بار و باد مداری در سطح 200 میلی بار برای عرض های جغرافیایی °56/12 تا °25/43 شمالی و طول جغرافیایی °68/19 تا °87/61 شرقی از مدلgcm echam5 برای دوره 2005- 1960 استخراج شدند. بارش ماهانه مشاهده شده ایستگاه های آبادان، آباده، اهواز، بندرعباس، بوشهر، شیراز و فسا برای دوره 2005-1960 استخراج شدند. ضریب همبستگی معنی داری بین بارش مشاهده و پیش بینی شده وجود نداشت. مولفه های اصلی داده های شبیه سازی شده استخراج و شش مولفه اصلی به عنوان ورودی مدل های شبکه عصبی مصنوعی و رگرسیون چند گانه در نظر گرفته شدند. همچنین ترکیب مجموعه داده های شبیه سازی شده به عنوان ورودی این مدل ها استفاده شدند. دوره 2000-1960 و 2005-2001 به ترتیب به عنوان دوره های آموزش و آزمون در شبکه عصبی مصنوعی در نظر گرفته شدند. نتایج ضریب همبستگی پیرسون و جذر میانگین مربعات خطای استاندارد شده نشان دادند که شبکه عصبی مصنوعی دقیق تر از رگرسیون چند گانه بارش را پیش بینی می کند. برای مقیاس زمانی ماهانه داده های شبیه سازی شده ارتفاع ژئوپتانسیل بهترین پیشگو کننده در بین بقیه می باشد. همچنین برای مقیاس فصلی (فصل زمستان) بهترین پیشگو کننده در مدل شبکه عصبی مصنوعی، مولفه های اصلی استاندارد شده داده های شبیه سازی شده بارش می باشد.