سامانة زمین-جوّ در مقیاس‌های مختلف، دینامیک پیچیده‌ای در گسترة‌ فضا-زمان دارد. مدل‌های پیش‌بینی وضع هوا با گسسته‌سازی معادلات حاکمِ پیوسته روی نقاط شبکه و افزودن طرحواره‌های فیزیکی برای نمایش اثر پدیده‌های با مقیاس‌ کمتر از فاصلة بین نقاط شبکه، وضعیت آینده را پیش‌بینی می‌کنند. این مدل‌ها نیاز به ارزیابی داشته و سنجه‌های مرسوم ارزیابیِ خطا برای این امر کافی نیستند. هدف این پژوهش تلاش در راستای بهبود روش‌شناسی پیش‌بینی وضع هوا با وارد کردن تحلیل شبکه‌های پیچیده در امر ارزیابی خطای مدل‌هاست.در این مقاله با استفاده از شبکه‌های ساخته‌شده روی داده‌های دمای مرجع (ERA5) به عنوان داده مشاهده‌ای و پیش‌بینی (GFS)، سنجه‌ای جدید معرفی شد که با رویکردی کل‌نگرانه و ساختارگرایانه به ارزیابی پیش‌بینی یک دورة پنج روزة دمای تراز دومتر و دمای تراز ۸۵۰ هکتوپاسکال پرداخته است. برای این منظور، همبستگی میان سری‌های زمانی‌ پنج روزة دمای هر دو نقطة شبکه محاسبه و بر اساس ماتریس همبستگی و شرط محدودکنندة فاصله، از اتصال نقاط، شبکه‌هایی ساخته و سپس با استفاده از معیار‌ f-score مقایسه شدند. مشاهده شد که در فرایند پیش‌بینی، مطابق انتظار مدل در نمایش همبستگی نقاط نزدیک به هم، بهتر عمل می‌کند و با زیاد شدن فاصلة نقاط از دقت مدل در نمایش همبستگی کاسته می‌شود. اما شیب کاهش دقت با افزایش فاصله برای اجراهای مختلف متفاوت است. در نتیجه، پیش‌بینی‌ای دقیق‌تر است که شیب کمتری داشته باشد. همچنین، نتایج نشان‌دهندة وجود رابطه میان خطای ساختاری مشاهده‌شده در دمای تراز ۸۵۰ هکتوپاسکال با ریشه میانگین مربعات خطای بارش است.