رخدادهای گرد و غبار فرایندهای اقلیمی پیچیده ای هستند که به طور گسترده ای بر روی وضعیت محیط زیست و سلامت تأثیر می گذارند. تخمین داده های قابلیت دید افقی، به عنوان یک پارامتر کلیدی مربوط به شدت رخداد های گرد و غبار، از طریق داده های سنجش از دور به عنوان یک چالش در پایش آلودگی هوا باقی مانده است. یکی از پیچیدگی های مهم در این است که داده های سنجش از دور از نوع داده های ستونی است در حالی که قابلیت دید افقی بر مبنای مشاهدات زمینی حاصل می شود. این تحقیق شامل دو بخش اصلی می باشد: 1) تحلیل پارامتریک با هدف تخمین قابلیت دید افقی و 2) استفاده از فرایندهای داده کاوی (ann و svm) با هدف تخمین قابلیت دید افقی. نتایج نشان داد که پارامترهای d، d* و btd 3132 به ترتیب بالاترین همبستگی با قابلیت دید افقی (همبستگی های متوسط تا بسیار ضعیف) را نشان دادند. بهترین مدل تک پارامتره برازش شده متعلق به پارامتر d در حالت الف (کل رخدادهای گرد و غبار) و نوع برازش نمایی می باشد. رابطه y = 6189.3e-3.607d تخمین بهینه تک پارامتره را با ضریب تببین 4285/0، ضریب همبستگی 6546/0 و پس از نرما ل سازی دارای خطای 8409/0 بر حسب آماره mse ارائه می نماید. همچنین این فرضیه که در رخداد های شدیدتر گرد و غباری، پارامترهای حساس به گرد و غبار همبستگی مناسب تری با داده های قابلیت دید افقی برقرار می کنند، تأیید نشد. شبکه بهینه با الگوریتم آموزش lm با ضریب همبستگی 692/0 و خطای 668/0 بر حسب آماره mse را در داده های تست از خود نشان داد. بررسی نمودارهای کارایی این شبکه حاکی از عدم وجود مشکل بیش برازش در فرایند آموزش بود. در بخش شبکه های bp که با چارچوب کاری بایزین تنظیم شده اند، شبکه بهینه با همبستگی 9363/0 و خطای 1173/0 بر حسب آماره mse در بخش آموزش با قابلیت تعمیم پذیری بالا، به عنوان شبکه بهینه انتخاب گردید. مدل توسعه داده شده svr-? که از طریق روش تصدیق متقاطع چندگانه با (5-fold crossvalidation) بهینه شده بود، به ضریب همبستگی 705/0 و خطای 587/0 بر حسب آماره ی mse روی داده های تست دست یافت و به عنوان کارا ترین مدل تخمینی این تحقیق معرفی گردید.