دما مهم ترین پراسنج جوی است که تغییرات آن باعث تغییر در سایر پراسنج های هواشناختی و رخداد پدیده های گوناگون هواشناختی است. از این رو در مطالعات هواشناختی پیش بینی دما حائز اهمیت است. توانایی شبکه عصبی مصنوعی (ann) در پیش بینی توابع غیرخطی و سامانه های آشوبی، رهیافت مناسبی برای پیش بینی دما ارائه می دهد. از آن جا که ساختار ann یک برنامه از قبل تعیین شده نیست، "انتخاب ورودی" متناسب با هدف، "معماری" و انتخاب یک الگوریتم بهینه سازی برای "آموزش" ann، مسائلی هستند که در طراحی آن چالش ایجاد می کنند. هدف از پژوهش حاضر، پیش بینی میانگین روزانه دمای سال 2009 میلادی شهرستان یزد است. در این پژوهش داده های میانگین روزانه برخی پراسنج های هواشناختی ایستگاه همدیدی این شهرستان در یک دوره آماری 29 ساله (1980 تا 2008 میلادی) جمع آوری شده است. سپس به کمک رهیافت تحلیل مولفه اصلی (pca)، جزئیات مربوط به داده ها استخراج و با کاربست تحلیل هواشناختی در نتایج حاصل از pca، ورودی های مناسب ann انتخاب شده است. پس از انتخاب ورودی، به منظور اجتناب از روش های سعی و خطا در معماری ann و نزدیک شدن به مقادیر بهینه کلی وزن ها و بایاس ها در مرحله آموزش از روش بهینه سازی تکاملی الگوریتم ژنتیک (ga) به صورت هم زمان استفاده شده است. نتایج این پژوهش نشان می دهند،کاربست pca در انتخاب ورودی و ga در معماری و آموزش ann باعث افزایش سرعت و کارایی ann می شود و رهیافت ann با دقت قابل قبولی قادر به پیش بینی میانگین روزانه دمای سال 2009 میلادی به کمک سایر پراسنج های هواشناختی است.