مدل‌های گردش عمومی جو ابزارهای اصلی برای شبیه‌سازی تغییرات اقلیمی در مقیاس جهانی هستند، اما خروجی آن‌ها معمولاً دارای خطاهای سیستماتیک بوده و در بازتولید مقادیر واقعی متغیرهای اقلیمی در مقیاس محلی، با محدودیت‌هایی مواجه است. هدف این پژوهش، تصحیح خطای خروجی دمای مدل CanESM2 با استفاده از شبکه عصبیNARX در ایستگاه سینوپتیک یزد طی دوره ۲۰۰۶ تا ۲۰۲۰ است. مزیت اصلی روش پیشنهادی مبتنی بر شبکه عصبی NARX، بهره‌گیری هم‌زمان از خروجی‌های دمایی مدل GCM به‌عنوان ورودی‌های برون‌زا و مقادیر گذشته دمای مشاهده‌ای به‌عنوان ورودی‌های خودبازگشتی است. این ساختار امکان یادگیری هم‌زمان روابط غیرخطی و وابستگی‌های زمانی بین داده‌های شبیه‌سازی‌شده و مشاهدات محلی را فراهم می‌کند و در نتیجه، دقت تصحیح خطاهای سیستماتیک خروجی مدل اقلیمی را افزایش می‌دهد. در این پژوهش، داده‌های خروجی مدل GCM و داده‌های مشاهده‌ای به‌صورت ماهانه تهیه شد و پس از آموزش مدل NARX، ارزیابی عملکرد مدل جهت تصحیح خطا براساس شاخص‌های آماری MSE، RMSE وMAE انجام گرفت. نتایج نشان داد که مدل CanESM2 دارای خطای قابل توجهی در بازتولید دمای ماهانه ایستگاه یزد بوده است؛ به‌طوری که MSE برابر با 35.83، RMSE برابر با 5.99 و MAE برابر با 5.45 محاسبه شد. پس از اعمال شبکه NARX، مقادیر خطا به‌ترتیب به 5.21، 2.28 و 1.84 کاهش یافت که بیانگر کاهش بیش از ۸۵٪ در خطای MSE است. تحلیل هیستوگرام خطا و نمودارهای پاسخ نیز نشان‌دهنده تعمیم‌پذیری مناسب و عدم بیش‌برازش مدل بود. تحلیل‌های ماهانه و فصلی نیز نشان داد که شبکه NARX توانسته است خطاهای سیستماتیک خروجی‌های مدل CanESM2 را، به‌ویژه در ماه‌های سرد سال، تا حد زیادی برطرف کرده و پراکندگی خطا را به‌طور معناداری کاهش دهد. بر این اساس، شبکه NARX برای اصلاح خطای داده‌های اقلیمی در مناطق خشک مانند ایران مرکزی می تواند کاربرد مؤثر داشته باشد.