پایش و پیش بینی پارامترهای کیفیت هوا در مناطق شهری یکی از چالش های محیط زیست انسانی محسوب می شود. این مهم وابسته به عوامل متعددی مانند توپوگرافی، اقلیم، جمعیت، شبکه ی حمل و نقل می باشد که نحوه تعامل این عوامل مکانی به عنوان پدیده ای دینامیک، غیر خطی و دارای ابهام عنوان شده است. در این راستا تکنیک های هوش مصنوعی در مدل کردن پدیده های غیر خطی و پیچیده دارای قابلیت فراوانی می باشند. شبکه ی فازی- عصبی این قابلیت را در اختیار ما می گذارد که با استفاده از توانایی یادگیری شبکه ی عصبی، دانش مورد نیاز در مورد پدیده ی مورد نظر را بدون نیاز به شخص خبره، در قالب قوانین مناسب بیان کنیم. همچنین سیستم اطلاعات مکانی در قالب سیستمی توانمند، فرایند جمع آوری، ذخیره، پردازش و بصری سازی داده های مکانی را تسهیل می بخشد. به علت اهمیت پیش بینی و مدلسازی مکانی پارامترهای کیفیت هوا، در این تحقیق با بهره گیری از مزایای شبکه ی فازی-عصبی و gis، دانش حاکم بر محیط را در قالب قوانین فازی، از داده ها استخراج نموده و با استفاده از این قوانین، آلودگی هوا پیش بینی و مدلسازی شد. برای این منظور از شبکه ی فازی- عصبی و gis در قالب دو مدل متفاوت استفاده شده است. در مدل اول برای آموزش شبکه، داده های آموزشی (شامل پارامتر های هواشناسی و غلظت مونوکسید کربن) با استفاده از روش زمین آمار (کریجینگ) ایجاد و به کار رفته است. برای هر ایستگاه ناحیه ای در نظر گرفته شد و از داده های موجود در آن ناحیه برای آموزش آن استفاده شد. برای هر ناحیه قوانین فازی ممدانی و سوگنو استخراج شده و قوانین ایجاد شده به هر پیکسل آن ناحیه اعمال و میزان آلاینده تخمین زده می شود. در مدل دوم هر ایستگاه به طور جداگانه با استفاده از داده های خود آموزش داده شد. برای هر ایستگاه قوانین فازی ممدانی و سوگنو آن استخراج شده و با استفاده از این قوانین غلظت آلاینده تخمین زده شد. به علت اینکه پیش بینی در نقاط ایستگاه ها صورت می گیرد، در نهایت برای مدلسازی مکانی غلظت در محدوده مورد مطالعه از روش کریجینگ استفاده شده است. برای انجام تست عملی این تحقیق، از داده های هواشناسی ایستگاه های واقع در سطح شهر تهران استفاده شد. میانگین rmse تمام ایستگاه ها در مدل اول با قوانین سوگنو،1.613 ppm و با قوانین ممدانی، 1.484 ppm و در مدل دوم با قوانین سوگنو، 1.445 ppm و با قوانین ممدانی، 1.374ppm به دست آمد. مدل اول با هدف به دست آوردن قوانین برای ناحیه توسعه داده شد که در این مدل گسستگی در نقشه ی غلظت آلاینده مشاهده می شود که این به دلیل کمبود ایستگاه های پایش و گستردگی ناحیه ها می باشد، ولی توانست علیرغم کمبود ایستگاه های پایش هدف اصلی این تحقیق که اکتشاف دانش است، برای ناحیه مرتفع سازد. در مدل دوم که قوانین هر ایستگاه به دست آمد، به این علت که مدلسازی توسط کریجینگ صورت گرفته است، نقشه ی غلظت آلاینده پیوسته است. با توجه به مقادیر rmse و همچنین نقشه ی غلظت پیش بینی شده و چون تعداد ایستگاه های پایش کم هستند، مدل دوم مدلی مناسب تر از نظر مدلسازی می باشد.