Este estudio integró las fortalezas del aprendizaje en conjunto y la computación suave para desarrollar un modelo regional de lluvia futura para evaluar las características complejas de la precipitación en islas. La computación suave utiliza el sistema de inferencia neuro-difusa adaptativa, que ha sido aplicado con éxito en la hidrología atmosférica y combina las características de las redes neuronales y la lógica difusa. Esta combinación permite que la inteligencia artificial (IA) represente de manera efectiva el razonamiento derivado de datos complejos y la experiencia de expertos. Debido a los múltiples factores atmosféricos e hidrológicos que influyen en la lluvia, las interrelaciones no lineales entre ellos son altamente intrincadas. El análisis de componentes principales no lineales puede extraer características no lineales de los datos, reducir la dimensionalidad y minimizar los efectos adversos del ruido de datos y de factores de entrada excesivos en la computación suave, lo que de otro modo podría resultar en un mal rendimiento del modelo. En última instancia, el aprendizaje en conjunto mejora la precisión de las predicciones y reduce la incertidumbre. Este estudio utilizó Tamsui y Kaohsiung en Taiwán como ubicaciones de estudio de caso. Se utilizaron datos históricos de lluvia mensual (de enero de 1950 a diciembre de 2005) de la estación de Tamsui y de la estación de Kaohsiung de la Administración Central de Meteorología, junto con datos históricos y variados de escenarios de emisión (RCP 4.5 y RCP 8.5) de tres modelos de GCM del AR5 (ACCESS 1.0, CSIRO-MK3.6.0, MRI-CGCM3), para evaluar las tendencias y las incertidumbres de la lluvia regional futura a través del método propuesto en este estudio. Los hallazgos de la investigación indican lo siguiente: (1) Los resultados del aprendizaje en conjunto demuestran que todos los modelos de circulación general examinados simulan efectivamente las tendencias históricas de lluvia. (2) Las tendencias promedio de lluvia bajo el escenario de emisión RCP 4.5 son generalmente consistentes con las tendencias históricas de lluvia. (3) Las probabilidades de excedencia de la lluvia futura durante el medio plazo (2061-2080) y el largo plazo (2081-2100) sugieren que Kaohsiung puede experimentar eventos de precipitación con mayor cantidad de lluvia que los datos históricos durante las temporadas secas (de octubre a abril del año siguiente), mientras que la estación de Tamsui puede mostrar una mayor variabilidad en términos de probabilidades de excedencia. (4) Bajo ambos escenarios de emisión RCP 4.5 y RCP 8.5, los cambios porcentuales en la variabilidad de la lluvia futura en la estación de Kaohsiung durante las temporadas secas son mayores que los de las temporadas húmedas (de mayo a septiembre), lo que indica un mayor riesgo de eventos de precipitación extrema durante las temporadas secas.