پیش بینی هوا، کاربرد همزمان علم و تکنولوژی برای پیش بینی حالت هوا برای زمان آینده در یک مکان مشخص است. پیش بینی دقیق هوا در علم هواشناسی همیشه بسیار حیاتی بوده است. به علت طبیعت بی نظم جو و پویا بودن آن، همیشه این موضوع، یک چالش مهم و بحث انگیز بوده است. این موضوع به دلیل تأثیر بسیار زیادی که بر روی زندگی روزمره انسان دارد، بسیار مهم است. از آنجاییکه طبیعت جو متغیر است و به قدرت محاسباتی بالایی برای پیش‎بینی نیاز دارد، استفاده از مدل ها باعث کاهش خطا و افزایش دقت پیش بینی می شود. به علت اینکه درک شرایط جوی به طور کامل صورت نمی گیرد، در نتیجه پیش بینی ها دقیق نیستند. مدل های عددی موجود برای پیش بینی جوی خیلی دقیق عمل نمی کنند. در نتیجه در این زمینه نیاز به مدل های دقیق‎تری وجود دارد تا با وارد کردن امکانات جوی و تصاویر ماهواره در هر لحظه بتوان نتایج دقیق تر و بهتری را به دست آورد و از این طریق بهبودی در پیش‎بینی شرایط جوی ایجاد کرد. در پیش بینی مسائل غیر خطی شبکه عصبی یک ابزار مناسب محسوب می شود و در این زمینه مورد استفاده قرار گرفته است. در مطالعات زیادی برای پیش بینی شرایط جوی از شبکه های عصبی در انواع مختلف استفاده شده است. امروزه شبکه عصبی ماژولار بسیار مورد توجه قرار گرفته است. علت این امر افزایش سرعت و قابلیت تعمیم شبکه است. پیش‎بینی دمای هوا در تعیین شرایط جوی نقش تعیین کننده دارد. در این تحقیق قصد بر آن است که برای پیش بینی دمای شهر تهران از ترکیبی از شبکه های عصبی استفاده شود. در مدل پیشنهادی از یک شبکه ماژولار استفاده شده که از دو ماژول کلی تشکیل شده است. در ماژول اول ساختار و آموزش شبکه های مورد استفاده ماژولار است و از اطلاعات عددی برای پیش‎بینی دمای هوا استفاده می شود. برای بهبود سرعت یادگیری شبکه ها، تعداد ویژگی ها را کاهش داده و تنها از ویژگی هایی که مهم هستند استفاده می شود و به این طریق آموزش ماژولار می-شود. در قسمت ساختار از یک شبکه همادی استفاده می شود و همه شبکه ها بر روی کل مسئله آموزش داده می‎شوند. موضوعی که در این زمینه بسیار مهم است، ترکیب این شبکه ها است به طوریکه به یک پیش بینی دقیق منجر شود. در این زمینه تاکنون از روش های متفاوتی استفاده شده است که هر کدام بر اساس موضوع مورد نظر از یک درجه دقتی برخوردار بوده اند. در این تحقیق برای ترکیب شبکه ها از یک روش متفاوت استفاده شده است. به این صورت که با استفاده از روش اطلاعات متقابل میزان وابستگی هر کدام از شبکه های مورد استفاده به خروجی مطلوب محاسبه شده و بهترین ترکیب از شبکه ها بدست می‎آید و نتایج آن با استفاده از مقدار خطا با هم ترکیب می‎شود. پس از اجرای این ماژول ، نتایج با چند مدل دیگر مقایسه می شود. در ماژول دوم از تصاویر ماهواره استفاده می شود. این تصاویر با یک روش مناسب پردازش شده و مقادیر مورد نظر استخراج می-شود. دو مجموعه مقادیر از تصاویر استخراج می شود که برای آموزش و تست شبکه ها استفاده می شوند. سپس در این ماژول از یک روش جدید برای خوشه بندی تصاویر استفاده می شود. روش خوشه بندی بهبود یافته شبکه خودسازمانده (som) برای خوشه بندی استفاده شده و از این طریق مرحله آموزش شبکه های مورد استفاده ماژولار می شود. در ادامه هر شبکه با خوشه مناسب برای آن آموزش داده شده ودر آخر نتایج ترکیب می شوند. در این ماژول ساختار و آموزش شبکه ها ماژولار است. پس از اجرای مدل پیشنهادی، نتایج آن بیان می شود. این نتایج نشان می دهند این مدل برای پیش‎بینی دمای هوا خوب عمل کرده است. در آخر نتایج مدل پیشنهادی با چند مدل دیگر که پیش از این استفاده شده است، مقایسه می شود. مدل پیشنهادی نتایج بهتری از مدل ها داشته است.