در شبکه های عصبی مصنوعی (ANN) با بازخورد، خروجی حداقل یک سلول به عنوان ورودی به خود یا سایر سلول ها داده می شود و بازخورد معمولا از طریق یک عنصر تاخیر انجام می شود. بازخورد می تواند بین سلول ها در یک الیه یا بین سلول ها بین الیه ها باشد. با این ساختار، شبکه عصبی پس خور رفتار غیرخطی دینامیکی را نشان می دهد. بنابراین، ساختارهای
شبکه عصبی مصنوعی پس خور بسته به نوع بازخورد در ساختارها و رفتارهای مختلف به دست می آیند. مطالعات زیادی در مورد افزایش دمای متوسط جهانی در قرن گذشته صورت گرفته است. پیامدهای افزایش مداوم دمای جهانی مسائل قابل توجه خواهد بود. بالا آمدن سطح آب دریاها و افزایش فراوانی وقایع شدید آب و هوایی میلیاردها نفر را تحت تاثیر قرار خواهد داد. از یک شبکه عصبی پس خور متشکل از ۱ الیه پنهان و ۱۰ نورون استفاده شده است. در این پژوهش از یک مجموعه داده متشکل از MEI، CO۲، CH۴، N۲O، CFC-۱۱، CFC-۱۲، TSI و ذرات معلق در هوا استفاده شده است. نتایجی که از این تحقیق بدست آمد نشان داد که همه عوامل تشکیل دهنده جو می توانند بر تغییرات آب و هوا تاثیر بگذارند و نتایج اعتبارسنجی داده های آموزشی ۹۰.۱۷۲ درصد، اعتبارسنجی ۸۴.۸۵۹ درصد، اعتبارسنجی داده های تست ۸۱.۶۹۷٪، کل ۸۷.۹۴۵٪ بدست آمد. اثرات تغییرات آب و هوایی شامل میانگین دمای بالا، رویدادهای شدید و مکرر آب و هوایی و بالا آمدن سطح آب دریاها است که انتظار می رود منجر به افزایش بیماری ها و مرگ و میر و همچنین اثرات منفی بر تامین غذای سالم، آب سالم و بهداشت شود. بالا آمدن سطح دریا دسترسی به زمین در مناطق ساحلی بویژه جزایری با ارتفاع پایین تر از سطح دریا را تهدید می کند. افزایش دما و سایر اثرات تغییرات آب و هوایی، زمینه مساعدی را برای حشرات ناقل بیماری ایجاد می کند. پشه هایی مانند مالاریا، تب دنگی و زیکا را گسترش می دهند، به ویژه حشراتی که به تغییرات دما و رطوبت حساس هستند به این ترتیب، استراتژی های مقابله با مشکلات بالقوه ناشی از تغییرات آب و هوایی آینده را می توان مطرح و اعمال کرد. هدف از این تحقیق بررسی روش موجود برای تخمین عدم قطعیت پیشبینی به دلیل مجموعه داده های محیطی افزونه و نویزدار است که توضیح می دهد چگونه می توان از یک مدل توزیع
پیش بینی کننده برای ارزیابی اثرات ناشی از تغییرات اقلیمی و بهبود تصمیم گیری های مختلف جهت اجتناب از اثرات مختلف آن استفاده کرد.