مدل‌های گردش عمومی جو ابزارهای اصلی برای شبیه‌سازی تغییر اقلیم در مقیاس جهانی هستند، اما خروجی آنها معمولاً دارای خطاهای نظامند (سیستماتیک) است و در بازتولید مقدارهای واقعی متغیرهای اقلیمی در مقیاس محلی، با محدودیت‌هایی مواجه است. هدف پژوهش حاضر، تصحیح خطای خروجی دمای مدل CANESM2با بهره‌گیری از شبکه عصبی NARXدر ایستگاه همدیدی یزد طی دوره ۲۰۰۶ تا ۲۰۲۰ است. مزیت اصلی روش پیشنهادی مبتنی بر شبکه عصبی NARX، بهره‌گیری همزمان از خروجی‌های دمایی مدل GCMبه‌عنوان ورودی‌های برون‌زا و مقدارهای گذشته دمای مشاهدهای به‌عنوان ورودی‌های خودبازگشتی است. این ساختار امکان یادگیری همزمان روابط غیرخطی و وابستگی‌های زمانی بین داده‌های شبیه‌سازی‌شده و مشاهدهای محلی را فراهم می‌کند و در نتیجه، دقت تصحیح خطاهای نظام‌مند خروجی مدل اقلیمی را افزایش می‌دهد. در پژوهش حاضر، داده‌های خروجی مدل GCMو داده‌های مشاهدهای به‌صورت ماهانه تهیه شد و پس از آموزش مدل NARX، ارزیابی عملکرد مدل در تصحیح خطا، براساس شاخص‌های آماری MSE، RMSEو MAEانجام‌شد. نتایج نشان داد که مدل CANESM2دارای خطای قابل‌توجهی در بازتولید دمای ماهانه ایستگاه یزد است؛ به‌طوری که MSEبرابر با 83/35، RMSEبرابر با 99/5 و MAEبرابر با 45/5 محاسبه شد. پس از اعمال شبکه NARX، مقدارهای خطا به‌ترتیب به 21/5، 28/2 و 84/1 کاهش یافت که بیانگر کاهش بیش از ۸۵% در خطای MSEاست. تحلیل هیستوگرام خطا و نمودارهای پاسخ، نشان‌دهنده تعمیم‌پذیری مناسب و عدم بیش‌برازش مدل بود. تحلیل‌های ماهانه و فصلی نشان‌داد که شبکه NARXتوانسته است خطاهای سیستماتیک خروجی‌های مدل CANESM2را، به‌ویژه در ماه‌های سرد سال، برطرف کرده و پراکندگی خطا را به‌طور معناداری کاهش دهد. شبکه NARXبرای اصلاح خطای داده‌های اقلیمی در مناطق خشک مانند ایران مرکزی می‌تواند کاربرد مؤثر داشته باشد.
