یکی از عوامل مهم و تأثیر گذار در شار حرارتی خاک و شدت تبخیر و تعرق، تابش خالص (rn) خورشیدی می-باشد. تابش خالص تفاوت بین تابش ورودی و خروجی در طول موج های بلند و کوتاه می باشد. اندازه گیری تابش خالص به علت مشکلات کالیبراسیون و هزینه آن دشوار است. تابش خالص اغلب از معادلات نیمه تجربی مبتنی بر مشاهدات تابش موج کوتاه خورشیدی، فشار بخار و دمای هوا پیش بینی می شود. در این تحقیق سعی شد تابش خالص روزانه با استفاده از 15 مدل تجربی و نیمه تجربی، تکنیک شبکه عصبی و مدل سازی با استفاده از رگرسیون خطی چند متغیره، در منطقه سرد و نیمه خشک همدان برآورد و نتایج بدست آمده از هر روش با تابش خالص اندازه گیری شده در ایستگاه کلیماتولوژی دانشگاه بوعلی سینا در طول دوره 18 ماه مقایسه و مدل بهینه تابش خالص همدان معرفی گردد. نتایج به دست آمده از مدل های تجربی نشان داد که مدل بهینه در فصل بهار، مدل رگرسیون مبنا (1)، مدل رگرسیون مبنا (3) در فصل تابستان و پایئز و مدل ایرماک در فصل زمستان می باشد. همچنین در مقیاس سالانه مدل رگرسیون مبنا (3) به عنوان مدل بهینه همدان معرفی گردید. این مدل ها کمترین مقدار خطا را در بین 15 مدل به خود اختصاص دادند. با توجه به اینکه شبکه عصبی در پیش بینی پارامترهای هواشناسی و هیدرولوژی از عملکرد مناسبی برخوردار است، در این تحقیق سعی شد تا برای نخستین بار با استفاده از شبکه عصبی مقدار rn همدان تخمین زده شود و با داده های انداز ه گیری شده تابش خالص روزانه ماه مقایسه شود. بدین منظور، در طراحی شبکه عصبی 11 پارامتر هواشناسی موثر در تابش خالص به عنوان ورودی مدل به کار گرفته شد. پس از انجام آزمون و خطا در انتخاب مدل بهینه، شبکه عصبی با آرایش 1-2-11 برای پیش بینی تابش خالص مورد استفاده قرار گرفت. 70 درصد داده ها جهت یادگیری و 30 درصد داده ها به منظور اعتبارسنجی مدل استفاده گردید. روش رگرسیون خطی چند متغیره با استفاده از دوسری پارامتر: 1) فراسنج های هواشناسی، 2) مولفه های تابش خورشیدی (طول موج های بلند و کوتاه ورودی و خروجی) رسیده به سطح زمین، محاسبه گردید. نتایج نشان داد که استفاده از روش های رگرسیونی در تخمین تابش خالص موثر می باشند. بررسی ها نشان دادند تابش خالص مدل سازی شده با مولفه های تابش خورشیدی، از دقت بالاتری نسبت به سایر روش ها در برآورد تابش خالص برخوردار هستند