نظر به اهمیت بالای سطح آب زیر زمینی و ضریب نفوذ پذیری خاک در مهندسی عمران و تاثیر آن روی سازه های بنا شده، مطالعه دقیق و برآورد صحیح پارامترهای فوق در منطقه نقش بسزایی در پیشبرد صحیح مطالعات ژئوتکنیکی خواهد داشت، ولی معمولاً بعلت وجود مشکلات فنی و اقتصادی امکان حفر گمانه های ژئوتکنیکی در منطقه وجود نداشته و لازم است برای آن مناطق با استفاده از آمار گمانه های موجود اقدام به داده سازی منطقی شود. بدین منظور در این تحقیق از مدلهای زمین آمار، شبکه های عصبی مصنوعی و سریهای زمانی استفاده شده است. وابستگی سطح آب زیر زمینی به زمان و اهمیت ویژه این پارامتر در طراحی های مهندسی موجب گردید تا مدل سازی این پارامتر به دو شیوه مختلف و با بهره-گیری از نتایج مطالعات دو سازمان متفاوت صورت پذیرد. در مرحله نخست که هدف از مدل سازی پیش بینی زمانی و مکانی سطح آب در محدوده مترو بود با استفاده از نتایج حاصل از قرائت های ماهانه 16 پیزومتر متعلق به سازمان آب منطقه ای استان آذربایجان شرقی مدل سازی زمانی با استفاده از سری های زمانی انجام شد و پیش بینی 24 ماهه صورت گرفت. سپس با بهره گیری از نتایج حاصل از پیش بینی سری زمانی، مدل سازی زمین آماری انجام گردیده و کریجینگ مکانی در محدوده مترو انجام شد. در مرحله دوم که مدل سازی با استفاده از نتایج حاصل از مطالعات سازمان قطار شهری تبریز انجام پذیرفت باتوجه به این نکته که سطح آب زیر زمینی در قسمت شرقی شهر بالاتر می باشد مسیر مترو به دو بخش شرقی و غربی تقسیم بندی گردید و در هرکدام از قسمت ها به طور مجزا مدل سازی زمین آماری انجام گشته و دو نوع تخمین کریجینگ و کوکریجینگ در مسیر مترو صورت گرفت. دیگر پارامتر مورد مطالعه ضریب هدایت هیدرولیکی بود. در این مورد نیز از نتایج آزمایشات ژئوتکنیکی سازمان قطار شهری تبریز استفاده گشته و پس از مدل سازی زمین آماری، تخمین در محدوده مترو صورت پذیرفت. در مرحله آخر تحقیق از شبکه های عصبی مصنوعی در مدل سازی ها استفاده گردید. هدف از این بخش مقایسه توانایی های شبکه عصبی در مقایسه با دیگر مدل های استفاده شده بود. در این قسمت نیز همانند بخش قبل مدل سازی سطح آب به دو شیوه صورت گرفت. ابتدا با بهره گیری از نتایج پیزومتر ها مدل زمانی و مکانی تعیین گردید. سپس در دو بخش شرقی و غربی مترو مدلسازی مکانی سطح آب صورت پذیرفت. و در نهایت از شبکه های عصبی مصنوعی جهت برقراری ارتباط مکانی ضریب نفوذ پذیری خاک در مسیر مترو، بهره گرفته شد. نتایج حاصل از مدل سازی ها در کلیه بخش ها حاکی از توانایی بالای مدل های غیر خطی شبکه?های عصبی مصنوعی بود