افزایش دقت در روند پیش‌بینی داده‌های هواشناسی از جمله دمای نقطه شبنم به علت کمبود آب شیرین و پیامدهای تغییرات اقلیمی از مباحث قابل توجه است. در این راستا الگوریتم خوشه‌بندی توسعه‌یافته با اجرای آن در پنج ایستگاه هواشناسی استان آذربایجان غربی ارائه شد. در ابتدای اجرای الگوریتم توسط شانزده مدل تجربی با ساختارهای ریاضی گوناگون، دمای نقطه شبنم تعیین شد و سپس داده‌های دمای نقطه شبنم وارد روند خوشه‌بندی شدند و سپس داده‌های حاصل از عملیات میانگین‌گیری روی داده‌های هر خوشه وارد مدل هوش مصنوعی شدند. براساس آماره‌های ارزیابی، دو مدل M1 و M8 با تابعیت دما و رطوبت نسبی و ساختار ریاضی متفاوت، دقت بالایی داشتند. برخی از مدل‌ها مانند مدل‌های گروه هفت با ساختار ریاضی متفاوت نسبت به تغییر ضرایب حساسیت بالایی داشتند. عملکرد روش خوشه‌بندی توسعه‌یافته نسبت به دو مدل برتر به طرز قابل توجهی افزایش داشت (متوسط کاهش میزان جذر میانگین مربعات خطا در تمام ایستگاه‌ها از مدل‌های M1 و M8 به روش اخیر به ترتیب برابر با 74/59 و 31/66 درصد، میزان جذر میانگین مربعات خطای نسبی برابر با 7/59 و 36/66 درصد، میزان درصد میانگین خطای مطلق برابر با 74/62، 8/70 بود). کمینه میزان خطا در روش پیشنهادی به ترتیب از کم به زیاد شامل ماکو، ارومیه، خوی، مهاباد و سلماس است. در بقیه ایستگاه‌ها بجز ایستگاه سلماس روش خوشه‌بندی توسعه‌یافته دارای بیش‌برآورد بود. الگوریتم تحقیق با عملکرد مدل‌های مختلف با کارایی متفاوت و دسته‌بندی داده‌ها و استخراج اطلاعات به شکل صحیح توانست دقت برآورد دمای نقطه شبنم را به شدت افزایش دهد.
