اندازه گیری مستقیم خصوصیات هیدرولیکی و فیزیکی خاک وقت گیر، هزینه بر و گاهی اوقات به دلیل خطاهای آزمایشی و عدم یکنواختی خاک غیر واقعی است. در عوض، این خصوصیات می توانند به عنوان یک جایگزین از روی ویژگی های زودیافت خاک مانند توزیع اندازه ذرات، جرم مخصوص ظاهری و حقیقی، کربن آلی و کربنات کلسیم معادل با استفاده از توابع انتقالی (ptf) خاک تخمین زده شوند. هدف از تحقیق حاظر ارائه مدل های رگرسیونی و شبکه عصبی مصنوعی بر اساس ویژگی های زودیافت خاک شامل شن، سیلت، رس، جرم مخصوص ظاهری، کربن آلی و کربنات کلسیم معادل برای تخمین ویژگی های دیریافت خاک شامل رطوبت های اشباع، ظرفیت زراعی، پژمردگی دائم و آب قابل استفاده، هدایت هیدرولیکی اشباع، منافذ ماکرو، منافذ میکرو و میانگین وزنی قطر خاکدانه بود. به این منظور 100 نمونه خاک از دشت اردبیل برداشته شد سپس تجزیه های فیزیکی و شیمیایی روی نمونه ها ی خاک صورت گرفت. داده ها به دو سری داده های آموزشی (80 داده ) و داده های آزمونی (20 داده ) تقسیم شدند. برای ایجاد مدل های شبکه عصبی از نرم افزار 5 neurosolution و مدل های رگرسیونی از نرم افزار spss استفاده شد. مقادیرr2 و rmse در تخمین پارامترهای دیریافت خاک شامل میانگین وزنی قطر خاکدانه، رطوبت-های اشباع، ظرفیت زراعی، پژمردگی دائم، آب قابل استفاده، هدایت هیدرولیکی اشباع، منافذ ماکرو و میکرو برای بهترین مدل-های رگرسیونی به ترتیب برابر 81/0 و 054/0، 76/0 و 28/3، 82/0 و 29/2، 82/0 و 38/1، 57/0 و 97/1، 29/0 و 72/6، 39/0 و 96/4، 67/0 و 17/0 و برای بهترین مدل های شبکه عصبی به ترتیب برابر 88/0 و 042/0، 89/0 و 18/2، 87/0 و 9/1، 9/0 و 02/1، 73/0 و 56/1، 76/0 و 91/3، 7/0 و 48/3، 84/0 و 04/0 بود. مقادیر r2 و rmse برای نتایج مدل های رگرسیونی و شبکه عصبی مصنوعی نشان داد که هر دو روش می توانند پارامترهای دیریافت فوق الذکر را در خاک های دشت اردبیل با دقت مناسبی برآورد کنند. مدل های رگرسیونی در تخمین منافذ ماکرو، میکرو و آب قابل استفاده کارایی لازم را نداشتند همچنین شبکه های عصبی مصنوعی در تخمین پارامترهای دیریافت، دقیق تر از مدل های رگرسیونی بودند.