وزن دهی به لایه ها، یکی از مباحث بسیار حیاتی در آنالیز های سیستم های اطلاعات مکانی می باشد، زیرا عدم توجه کافی به آن می تواند منجر به نتایج غیر واقعی در تصمیم گیری های مکانی گردد. موضوع میزان تاثیر و وزن لایه های اطلاعات مکانی همواره براساس دانش کارشناسی و داده های موجود صورت پذیرفته است. استفاده از دانش کارشناسی ساده ترین راه جهت وزن دهی به لایه های مکانی می باشد که باعث اختصاص مستقیم وزن ها به نقشه های معیار می گردد. در سال های اخیر روش های هوشمند (محاسبات نرم) برای انجام مدلسازی های پیشرفته تر با استفاده از داده های موجود توسعه یافته اند. در صورتی که تعداد، توزیع مکانی و دقت داده ها مناسب نباشد خروجی این روش ها قابل اعتماد نخواهد بود. بنابراین نیاز به سیستم های توانمندی که بتوانند به صورت همزمان از دانش کارشناسی و داده ها استفاده کنند کاملاً احساس می شود. در gis و با توجه به اینکه اکثر موجودیت ها دارای ماهیتی نامعین هستند و یا عدم قطعیت از طریق منابع مختلف به آنها منتقل می شود نیاز است که عدم قطعیت در میزان تاثیر لایه های مکانی در نظر گرفته شود. هدف این تحقیق بکارگیری هوش محاسباتی و gis، جهت تلفیق دانش کارشناسی و داده ها و در پی آن اضافه نمودن توانایی هایی همچون یادگیری و استنتاجگری در محیط های دارای عدم قطعیت است. در این تحقیق از سیستم های استنتاج قاعده مبنای فازی که امکان بکارگیری همزمان دانش کارشناسی و داده ها را برای بررسی میزان تاثیر لایه های مکانی در فضاهای دارای عدم قطعیت فراهم می کنند استفاده شده است. تشکیل پایگاه دانش فازی یکی از مهمترین چالش ها در ایجاد سیستم های استنتاجگر قاعده مبنای فازی است. در این تحقیق سه روش خوشه بندی فازی، تقسیم بندی فضای ورودی-خروجی و الگوریتم ژنتیک برای مقابله با چنین چالشی جهت استخراج خودکار پایگاه دانش از داده ها پیاده سازی شدند. همچنین دانش کارشناسی در قالب تعدادی توابع عضویت و قوانین فازی به منظور تقویت پایگاه دانش فازی مورد استفاده قرار گرفت. به منظور ارزیابی نتایج سیستم های استنتاج قاعده مبنای فازی، شبکه های عصبی ژنتیک نیز پیاده سازی شدند تا بتوان تفسیر بهتری از نتایج ارائه نمود. روش های پیشنهادی دارای کاربردهای مختلفی در مسائل وزن دهی می باشند. در این راستا، به عنوان مطالعه موردی، تهیه نقشه پتانسیل معدنی در کانسار مس علی آباد مورد نظر قرار گرفت. نتایج حاصله نشان دادند که شبکه عصبی ژنتیک و سیستم استنتاجگر قاعده مبنای فازی ژنتیک به ترتیب با rmse، 4 و 11 در واحد درصد خلوص مس، بالاترین دقت را نسبت به سیستم های استنتاج قاعده مبنای فازی بدست آمده از خوشه بندی و تقسیم بندی فضای ورودی-خروجی برای داده های آموزشی و کنترل حاصل نموده اند.