در مناطق خشک و نیمه خشک استفاده بی رویه از کودهای نیتروژن، آبیاری بیش از حد و راندمان پایین آبیاری عوامل اصلی افزایش غلظت نیترات در آب های زیرزمینی می-باشند. بنابراین مدیریت مناسب آب و عناصر غذایی برای کاهش آلودگی آب های زیرزمینی و افزایش بازده مصرف عناصر غذایی و تولید در نواحی فاریاب ضروری است. کود-آبیاری قطره ای یک روش موثر جهت افزایش بازده عناصر غذایی و کاهش آلودگی آب های زیرزمینی است. طراحی مناسب سیستم کود-آبیاری قطره ای نیازمند جزئیاتی راجع به توزیع آب و عناصر غذایی در ناحیه ریشه، قابلیت دسترسی عناصر غذایی در نزدیکی ریشه وآب شویی عناصر غذایی به ناحیه زیر ریشه می باشد، که این خود تابعی از شدت جریان قطره چکان و خصوصیات فیزیکی و هیدرولیکی خاک است. آزمایشات مزرعه ای برای تعیین چگونگی توزیع آب و عناصر غذایی برای طراحی مناسب و مدیریت، کاری زمان بر و پرهزینه می باشد. استفاده از مدل های انتقال املاح و جریان آب که به طور مناسبی واسنجی و اعتبارسنجی شده باشد، می تواند زمان و هزینه لازم برای مطالعه دینامیک آب و عناصر غذایی تحت شرایط آبیاری قطره ای را کاهش دهد. در قسمت اول این مطالعه از بسته hydrus-2d برای شبیه سازی آب شویی نیترات از مزرعه سیب زمینی تحت آبیاری قطره ای در یک خاک شنی با شدت جریان های مختلف قطره چکان و مقادیر متفاوت کود نیتروژن استفاده شد. مطالعه دوم شامل مدل سازی آب شویی نیترات با استفاده از تکنیک های محاسبات نرم، با استفاده از مجموعه داده های بدست آمده از اجراهای مدل hydrus-2d بود. مدل-های عددی نظیر hydrus-2d نیاز به پارامترهای ورودی زیادی داشته و از طرفی اندازه گیری بعضی از آن ها امکان-پذیر نیست. در ضمن واسنجی این مدل ها مشکل بوده و همچنین اجرای آن ها برای زمان های طولانی نظیر دوره ی رشد گیاه زمان بر است، در نتیجه مدل های ساده تر با قدرت انجام محاسبات نرم این توانایی را دارا بوده که حرکت املاح در خاک را مدل سازی و پیش بینی نمایند و در ضمن عدم قطعیت ناشی از داده های مزرعه ای را نیز می توانند پوشش دهند. در قسمت دوم مطالعه ابتدا با استفاده از سیستم استنتاج فازی ممدانی (mfis) آب شویی نیترات مدل گردید. در سیستم استنتاج فازی ممدانی از توابع عضویت مثلثی استفاده شد و همچنین مراکز توابع عضویت مثلثی با استفاده از الگوریتم ژنتیک تعیین و بهینه شدند. در قسمت دوم مطالعه دوم، آب-شویی نیترات با استفاده از سیستم استنتاج فازی-عصبی تطبیقی (anfis) نیز مدل گردید. در این قسمت نیز شعاع دسته ها وسیله الگوریتم ژنتیک تعیین و بهینه گردید. در هر دو مدل mfis و anfis دو دسته مجموعه داده ورودی شامل، شدت جریان قطره چکان و مقادیر مختلف کود و یک دسته مجموعه داده خروجی به نام آب شویی نیترات وجود داشت. نتایج واسنجی و اعتبارسنجی مدل hydrus-2d نشان داد که مدل می تواند حرکت آب و نیترات را بافت خوبی شبیه سازی و پیش بینی نماید. با افزایش شدت جریان قطره چکان میزان زهکشی آزاد تجمعی افزایش یافت اما شدت افزایش در شدت جریان های کم (5/0 تا 5/1 لیتر در ساعت)، بیش از شدت جریان های بالا بود. میزان آب شویی نیترات نیز با افزایش مقدار کود و شدت جریان افزایش یافت، همانند زهکشی آزاد، افزایش آب شویی در شدت جریان های کم بیشتر بود. هر دو مدل mfis و anfis ترکیب شده با الگوریتم ژنتیک آب شویی نیترات را بر اساس مقادیر معیارهای ارزیابی با دقت بالایی پیش بینی نمودند. مقدار معیارهای ارزیابی شامل ضریب همبستگی (r)، خطای ریشه دوم میانگین مربعات نرمال شده (nrmse) و درصد خطای مطلق میانگین (rmaep) برای مدل-های mfis و anfis به ترتیب 99/0، 086/0، 38/2، 99/0، 023/0 و 66/0 بود. با توجه به مقادیر معیارهای ارزیابی مشخص گردید که دقت مدل anfis بیش از mfis می باشد. یکی از دلایل آن این است که در مدل mfis آموزش و یادگیری وجود ندارد در صورتی که در مدل anfis آموزش و یادگیری وجود دارد.