The development of statistical relationships between local hydroclimates and large-scale atmospheric variables enhances the understanding of hydroclimate variability. The rainfall in the study basin (the Upper Chao Phraya River Basin, Thailand) is influenced by the Indian Ocean and tropical Pacific Ocean atmospheric circulation. Using correlation analysis and cross-validated multiple regression, the large-scale atmospheric variables, such as temperature, pressure and wind, over given regions are identified. The forecasting models using atmospheric predictors show the capability of long-lead forecasting. The modified k-nearest neighbour (k-nn) model, which is developed using the identified predictors to forecast rainfall, and evaluated by likelihood function, shows a long-lead forecast of monsoon rainfall at 7-9 months. The decreasing performance in forecasting dry-season rainfall is found for both short and long lead times. The developed model also presents better performance in forecasting pre-monsoon season rainfall in dry years compared to wet years, and vice versa for monsoon season rainfall.Key words rainfall; hydroclimate variability; ENSO; large-scale atmospheric variables; long-lead forecasting; statistical approach; modified k-nn model; cross-validated multiple regression; Chao Phraya River Basin; Ping River Basin; Thailand Variabilité hydroclimatique et prévision à long terme des précipitations en Thaïlande à l'aide de variables atmosphériques de grande échelle Résumé L'établissement de relations statistiques entre variables pluviométriques locales et variables atmosphériques de grande échelle permet une meilleure compréhension de la variabilité hydroclimatique. Les précipitations dans le bassin d'étude (le bassin supérieur de la Rivière Chao Phraya, Thaïlande) sont influencées par la circulation atmosphérique dans l'Océan Indien et dans l'Océan Pacifique tropical. Par l'analyse de corréla-tions et régressions multiples en validation croisée, les prédicteurs de variables atmosphériques de grande échelle, à savoir température, pression et vent, sont identifiés sur des régions cibles, et montrent une bonne capacité de prévision à long terme. Le modèle modifié des k-plus proches voisins (k-nn), développé par les prédicteurs identifiés pour prévoir les pluies, et évalué par fonction de probabilité, montre une prévisibilité à long terme (7-9 mois) des pluies de mousson. La moindre performance dans la prévision des pluies de saison sèche est prouvée pour la prévision à court et à long terme. Le modèle développé présente également une meilleure performance pour les pluies de pré-mousson en année sèche, par rapport à une année humide, et inversement pour les pluies de mousson.Mots clefs précipitations; variabilité hydroclimatique; ENSO; variables atmosphériques de grande échelle; prévision à long terme; approche statistique; modèle k-nn modifié; régression multiple à validation croisée; bassin du Fleuve Chao Phraya; bassin du Fleuve Ping; T haïlande