در جهان امروز، توسعه‌ی سریع، همه‌جانبه و پایدار، هدف اصلی تمامی کشورها از جمله ایران می‌باشد. اصلی‌ترین محدودیت پیش روی توسعه‌ی پایدار، وضعیت اقلیمی و شرایط محیط زیستی کشورها است. از جمله‌ی مهم‌ترین محدودیت­های اقلیمی در کشور ایران، بارش ناکافی همراه با پراکندگی نامناسب مکانی- زمانی است. هدف اصلی این تحقیق، پیش‌بینی ماهانه‌ی میزان بارش در منطقه‌ی شمال غربی ایران با استفاده از روش­های یادگیری ماشین شبکه‌ی عصبی کم عمق و شبکه‌ی باور عمیق و همچنین تهیه­ی نقشه‌ی پیش‌بینی توزیع مکانی- زمانی آن در منطقه‌ی مطالعاتی می‌باشد. در این تحقیق از داده‌های بارش به همراه سایر داده‌های محیطی و هواشناسی، ازابتدای سال 1951 تا پایان سال 2014 استفاده شده است. ارتفاع و مختصات ایستگاه‌های هواشناسی نیز به عنوان پارامتر توپوگرافی از مدل رقومی ارتفاعی بدست آمد. همچنین به منظور انجام پژوهشی جامع و افزایش دقت نتایج، از داده‌های بزرگ مقیاس اقلیمی در کنار سایر داده‌ها بهره برده شده است. وجود پارامترهای متنوع محیطی، توپوگرافی و اقلیمی اثر گذار بر پدیده­ی بارش، سبب شده است که در این تحقیق با کلان داده‌های مکانی- زمانی مواجه باشیم. در این پژوهش ابتدا داده­های مورد نیاز جمع­آوری شد و بعد ازآماده­سازی در پایگاه داده­ی غیر رابطه­ای کاساندرا ذخیره­سازی گردید. در گام بعدی دو شبکه‌ی عصبی کم عمق و شبکه‌ی باور عمیق پیاده‌سازی شد و آموزش، تست و پیش‌بینی با هر دو مدل صورت پذیرفت و نقشه‌ی پیش‌بینی توزیع مکانی- زمانی بارشِ هر دو شبکه برای دوازده ماه سال 2014 تهیه گردید. مقایسه­ی مقدار بارش ماهانه­ی به وقوع پیوسته با میزان بارش ماهانه­ی پیش­بینی شده توسط شبکه­ی عصبی کم عمق و شبکه­ی باور عمیق نشان داد که شبکه­ی باور عمیق از توانایی بیشتری در مواجه با کلان داده­های مکانی- زمانی و حل پیچیدگی­های مساله­ی پیش­بینی بارش برخوردار است. همچنین در این تحقیق از معیارهای Accuracy، Precision، Recall و F1 score جهت ارزیابی عملکرد روش‌های پیشنهادی استفاده شد. نتایج نشان داد که مقادیر Accuracy برای شبکه­ی عصبی کم عمق و شبکه‌ی باور عمیق به ترتیب برابر 67/0 و 71/0، مقادیر Precision به ترتیب 69/0 و 69/0، مقادیر Recall به ترتیب 7/0 و 8/0 و مقادیر F1 score به ترتیب 69/0 و 74/0 می­باشد.