پارامترها و عوامل مختلفی بر عملکرد مزارع نیشکر تأثیر گذارند. با بررسی این پارامترها و تعیین میزان اثر هریک از آنها در عملکرد نیشکر، می توان راهکارهایی ارائه داد که با بهره گیری از امکانات و شرایط موجود حداکثر عملکرد را در مزارع نیشکر بدست آورد. در این تحقیق نتایج بررسی های صحرایی نشان داد سطح ایستابی در ماه های تیر، مرداد، شهریور و مهر به علت آبیاری مزارع در عمق کمتری نسبت به سطح زمین قرار می گیرد. این موضوع در مزارع شمالی شدیدتر است. در شمال واحد تعداد مزارع تحت کشت بیشتر است و تراز سطح ایستابی مدام ناحیه ریشه گیاه را تهدید می کند. در مزارع جنوبی به علت آن که تعداد زیادی از مزارع به دلیل آبشویی در زمستان کشت نمی شوند تراز سطح ایستابی پایین تر است.بررسی نوسانات سطح ایستابی در مزارع نشان می دهد در تابستان با هر آبیاری سطح ایستابی به سطح زمین نزدیک می شود و تا آبیاری بعدی سطح ایستابی دوباره نزول می کند. این نوسانات تا پایان مهر که آبیاری مزارع ادامه دارد مشاهده می گردد و پس از قطع آبیاری در اواخر مهر سطح ایستابی در عمقی در حدود 1/5 متری قرار می گیرد. پس دوره ای که نوسانات سطح ایستابی بسیار زیاد است از اوایل تابستان آغاز و تا اواخر مهر طول می کشد. در این تحقیق با با استفاده از اطلاعات مربوط به سطح ایستابی، شوری بخش اشباع خاک، عمق آب آبیاری رقم و سن گیاه به عنوان اطلاعات ورودی و میزان محصول برداشت شده از هر مزرعه به عنوان اطلاعات خروجی به مدل سازی تأثیر نوسانات سطح ایستابی بر میزان محصول نیشکر با استفاده از شبکه های عصبی مصنوعی و سیستم های فازی پرداخته شد. همچنین از روش بدیع سیستم استنتاج فازی- عصبی تطبیقی (anfis) جهت پیش بینی میزان محصول استفاده و در انتها به منظور بررسی بیشتر توانایی این سیستم های هوشمند، نتایج حاصل از آنالیز رگرسیون با نتایج سیستم های فازی و شبکه های عصبی و مدل anfis مقایسه گردیدند. نتایج حاصل نشان دادند اطلاعات مربوط به میانگین عمق سطح ایستابی در ماه های تیر (درصد مشارکت 14/71)، مرداد (درصد مشارکت 13/98)، شهریور (درصد مشارکت 12/20) و مهر (درصد مشارکت 11/19)به دلیل بالا بودن سطح ایستابی در این ماه ها به ترتیب بعد از عمق آب آبیاری (درصد مشارکت 16/17) بیشترین تأثیرگذاری و عمق سطح ایستابی در ماه های آبان (درصد مشارکت 56/2)، آذر (درصد مشارکت 2/64)، دی (درصد مشارکت 3/05) و بهمن (درصد مشارکت 0/84) سهم بسیار کمی در میزان محصول دارند. همچنین توانایی پیش بینی میزان محصول مدل anfis (ضریب همبستگی 0/978 و 1/35=rmse) بهتر از شبکه های عصبی (ضریب همبستگی 0/967 و(rmse=98/1، سیستم های فازی (ضریب همبستگی 0/916 و 2/58=rmse) و روش رگرسیون (ضریب همبستگی 9/15 و 3/21=rmse) می باشد.