محدودیت­ها و مرزهای تولید محصولات کشاورزی وابسته به شرایط اقلیمی است. آب و هوا یکی از مهم‌ترین عوامل موثر در فعالیت انسان به ویژه بخش کشاورزی است. کشت ذرت در تامین نیاز غذایی کشور نقش اساسی دارد. استان کرمانشاه با دارا بودن پتانسیل­های اقلیمی مطلوب، شرایط بهینه را جهت کشت ذرت دارا می باشد. هدف از این تحقیق، بررسی نقش بارش و درجه حرارت در تعیین تقویم زراعی و تعیین مناطق مساعد برای کشت ذرت است. برای انجام این کار از داده­های اقلیمی 10 ایستگاه سینوپتیکی در طول دوره آماری20 ساله (1390-1371) استفاده شد. با استفاده از آزمون هتلینگ و آزمون T مشاهده‌ای، داده­ها تجزیه و تحلیل شدند. براساس یافته­های تحقیق، بارش ایستگاه های مورد مطالعه، نیاز آبی محصول ذرت را در ماه­های خرداد، تیر، مرداد و شهریور تامین ننمود و دما نیز در نواحی مرتفع به‌علت کاهش مکرر در ماه­های اردیبهشت و خرداد  و در نواحی پست به­علت افزایش شدید آن در موقع گل­دهی، دانه­دهی و رسیدگی مشکلاتی را در طول دوره رشد این گیاه زراعی ایجاد نموده است. براساس نتایج تحلیل آزمون هتلینگ 62 درصد از مساحت استان کرمانشاه مناسب، 24 درصد متوسط و 14 درصد نامناسب برای کشت ذرت بود، هم‌چنین براساس نتایج تحلیل آزمون تی مشاهده­ای 47 درصد مناسب، 38 درصد متوسط و 15 درصد نامناسب برای کشت ذرت داشته در نتیجه، نواحی مرکزی استان که دمای معتدل دارد برای کاشت مناسب، نواحی شرقی و شمالی به علت سردسیری و نواحی جنوبی و غربی استان  به علت گرمسیری برای  کشت ذرت مناسب نبوده است.
 

عناصر اقلیمی یکی از مهمترین متغیرهای محیطی تعیین کننده پراکنش جغرافیایی پوشش گیاهی و توزیع زمانی مکانی آن می‌باشند. هدف اساسی این تحقیق آشکارسازی روابط زمانی مکانی بین عناصر اقلیمی و مقادیر سبزینگی پوشش گیاهی در استان کهکیلویه و بویراحمداست. داده های مربوط به دو عنصر اقلیمی دمای سطح زمین و بارش در مقیاس ماهانه طی دوره آماری (2000-2015) به ترتیب از دو سنجنده MODIS و  TRMM برای محدوده استان کهکیلویه و بویراحمد اخذ گردید. داده های مروبط به شاخص پوشش گیاهی بارز شده نیز در مقیاس ماهانه با رزلوشن فضایی 250 متر از محصول MOD13Q1 سنجنده MODIS برای همان دوره آماری اخذ گردید. با استفاده از تحلیل همبستگی فضایی همزمان و با تاخیر، و تحلیل ارتباط تقاطعی اقدام به آشکارسازی ارتباط زمانی مکانی شاخص پوشش گیاهی بارزشده با دو عنصر اقلیمی دمای سطح زمین و بارش گردید. نتایج گویای آن بود که عنصر دمای سطح زمین، در همه ماه‌ها به صورت همزمان بالاترین همبستگی را با پوشش گیاهی داشت و بالاترین  همبستگی فضایی بین شاخص پوشش گیاهی و دمای سطح زمین، مربوط به ماه‌های دسامبر تا مارس بود. در این ماه‌ها توزیع فضایی پیکسل‌های حاوی مقادیر بیشینه شاخص پوشش گیاهی، منطبق بر دماهای حداکثر(6 تا 14درجه سانتی گراد) است در حالی که در ماه های، اوریل، می، و اکتبر و نوامبر بیشینه تمرکز پوشش گیاهی در بازه دمایی میانگین، یعنی، 10 تا 16درجه سانتی‌گراد مشاهده گردید و در مورد ماه‌های ژوئن تا سپتامبر بیشینه تمرکز شاخص پوشش گیاهی، در بازه دمایی حداقل یعنی 15 تا 17درجه سانتی‌گراد مشاهده شد ضمن اینکه همبستگی معنی‌داری نیز در این ماه ها مشاهده نگردید. در مورد ارتباط بارش و شاخص پوشش گیاهی بارز شده، نیز نتایج نشان داد که تنها مقادیر پوشش گیاهی فصل بهار(آوریل تا ژوئن) با یک تأخیر یک نیم ماهه، بالاترین همبستگی را با مقادیر بارش ماهانه دارد. در حالی که برای پوشش گیاهی سایر ماه‌ها، همبستگی معنی‌داری با بارش، مشاهده نگردید.

پیش بینی بارش در مدیریت و هشدار سیل نقش مهمی بر عهده دارد و با اطلاع از میزان بارندگی می توان امکان وقوع سیل را در یک منطقه پیش بینی و اقدامات لازم را به عمل آورد. به دلیل اینکه بارشهای سه ماه ژانویه، فوریه و مارس در اکثر مواقع سیل آسا می باشند و همچنین بیشتر بارشها در این سه ماه رخ می دهند، لذا در این پژوهش به بررسی عوامل موثر بر بارش و مدل سازی این سه ماه پرداخته شد. برای مدل سازی بارش از داده های بارش ماهانه ی ایستگاه همدید و بارانسنجی در بازه ی آماری (2014-1984) به مدت 30 سال بعنوان متغیر وابسته و شاخصهای اقلیمی، سیگنالهای بزرگ مقیاس اقلیمی شامل؛ دمای سطح دریا و دمای 1000 میلی باری، هم ارتفاع تراز 500 میلی باری ، امگای 200 میلی باری و عناصر اقلیمی بعنوان متغیر مستقل استفاده شده است. به دلیل رفتار غیرخطی بارش از شبکه های عصبی مصنوعی جهت مدل سازی بهره گرفته شد. جهت مشخص شدن بهترین معماری برای ورود به شبکه ی عصبی از تحلیل عاملی استفاده شد. برای پیش بینی بارش از داده هایی که بیشترین ارتباط را با بارش نشان دادند بصورت چهار الگو استفاده گردید که در ماه ژانویه الگوی چهارم با خطای آنتروپی 045/0، تعداد لایه های ورودی 91 واحد ، بهترین آرایش 15-1 و ضریب همبستگی 94 درصد بود. در ماه فوریه، الگوی سوم با ضریب همبستگی 97 درصد،  خطای آنتروپی 036/. درصد ، تعداد واحدهای ورودی 8 واحد و بهترین نوع آرایش لایه ی پنهان 10-1 بود. بارش ماه مارس با تمام الگوها ضریب پیش آگاهی بالا بود که الگوی اول با خطای آنتروپی 038/.، تعداد واحدهای ورودی 67، نوع آرایش لایه ی پنهان، 17-1، ضریب همبستگی 98 درصد بود.