مخاطرات محیطی یکی از انواع مخاطراتی است که برای جوامع انسانی خطراتی به بار می آورد،از جمله این مخاطرات آلودگی هوا می باشد. آلودگی هوا یک خطر اصلی زیست محیطی بر سلامت انسانها در بسیاری از شهرهای توسعه یافته یا در حال توسعه در جهان هست.سطح آلودگی هوا معمولا به وسیله غلظت آلاینده های هوا مانند دی اکسید نیتروژن،دی اکسید گوگرد،منواکسید کربن،ازن وذرات معلق مشخص می شود هدف اصلی این تحقیق استفاده از مدلی که بتواند بین عناصر اقلیمی و آلاینده های هوا رابطه برقرار کند. بدین ترتیب جهت بررسی روابط بین عناصر اقلیمی و آلاینده های هوا،ازداده های ‎11‎ ایستگاه آلاینده هوا موجود در شهر مشهد که به صورت ساعتی بوده،وهمچنین از داده های روزانه ایستگاه سینوپتیک مشهد برای یک دوره یک ساله استفاده شده است. داده های اقلیمی شامل پارامترهای فشار هوا،جهت باد،سرعت باد،بارندگی،رطوبت نسبی(ساعت ‎6.30،12.30‎ و ‎18.30)‎ و درجه حرارت (میانگین،حداثر وحداقل)می باشد.در این تحقیق ابتدا از داده های ساعتی ‎11‎ایستگاه موجود در شهر مشهد میانگین گرفته شده وسپس با استفاده از نرم افزار ‎lr{arc gis}،‎به وسیله روش درون یابی ‎idw‎ ،برای تک،تک آلاینده ها درون یابی انجام شدو داده ها به صورت فصلی مرتب شد ند.سپس داده ها،با استفاده از نرم افزار‎neurosolutions،‎با سه مدل شبکه عصبی احتمالی،پرسپترون چند لایه و مدل رگرسیون خطی ،مورد پردازش قرار گرفتند.در این نرم افزار داده ها به سه دسته آموزشی،ارزیابی و آزمون تقسیم بندی شده اند، که ‎70‎درصد از داده ها به داده های آموزشی و ‎15‎ درصد از داده ها، به داده های ارزیابی و15درصد داده های آزمون، اختصاص داده شد.سپس میزان ضریب همبستگی بین آلاینده های هوا وعناصر اقلیمی به دست آمده،ونشان داده شد که درجه حرارت و رطوبت نسبی بیشترین همبستگی را با آلاینده های هوا در طی فصول بهار ،تابسان و پاییز داشته،و سرعت باد وفشار هوا در فصل زمستان بیشترین همبستگی را نشان داده است.همچنین نتایج نشان داد که مدل شبکه عصبی احتمالی با کمترین مقدار خطا و بیشترین میزان ضریب همبستگی نسبت به دو مدل رگرسیون خطی و پرسپترون چند لایه بهترین مدل بوده که توانسته است رابطه معناداری بین آلودگی هوا و عناصر اقلیمی برقرار کند و از دقت پیش بینی بهتری برخوردار باشد.