اندازه گیری مستقیم خصوصیات مکانیکی و فیزیکی خاک وقت گیر، هزینه¬بر و گاهی اوقات به دلیل خطاهای آزمایشی و غیریکنواختی خاک غیرواقعی است. در عوض این خصوصیات می¬توانند به عنوان یک جایگزین از ویژگی های زودیافت خاک مانند توزیع اندازه ذرات، کربن آلی، جرم مخصوص ظاهری و حقیقی، کربنات کلسیم معادل، تخلخل کل و رطوبت خاک با استفاده از توابع انتقالی ((ptf خاک تخمین زده شوند. هدف از تحقیق حاضر ارائه توابع رگرسیونی و شبکه عصبی مصنوعی بر اساس ویژگی های زودیافت خاک شامل توزیع اندازه ذرات، کربن آلی، جرم مخصوص ظاهری و حقیقی، کربنات کلسیم معادل، تخلخل کل و رطوبت اولیه مزرعه برای برآورد ویژگی های دیریافت خاک شامل مقاومت فروروی، حدود پایایی آتربرگ (رطوبت های حد روانی، حد خمیری و شاخص خمیرایی) و پارامترهای پروکتور (رطوبت بحرانی و جرم مخصوص ظاهری حداکثر خاک) بود. به این منظور 105 نمونه دست خورده و دست نخورده از عمق 0 تا 10 سانتی متر خاک های زراعی دشت اردبیل به صورت شبکه منظم برداشت شد سپس ویژگی های فیزیکی و شیمیایی مذکور در آنها تعیین گردید. مقاومت فروروی به صورت درجا با استفاده از فروسنج مخروطی اندازه گیری شد. داده ها به دو سری آموزشی(78 داده) و داده های آزمونی(27 داده) تقسیم شدند. برای اشتقاق توابع رگرسیونی از نرم افزار 18 spss و به روش گام به گام و برای ایجاد شبکه عصبی مصنوعی از نرم افزار matlab و با الگوریتم آموزشی مومنتوم، تابع فعال ساز تانژانت سیگموئیدی و ساختار پرسپترون سه لایه با 8، 11 و 15 نرون در لایه پنهان استفاده شد. نتایج توابع رگرسیونی و شبکه عصبی مصنوعی نشان داد که مهم ترین متغیرهای ورودی زودیافت خاک در برآورد مقاومت فروروی، رطوبت اولیه مزرعه، جرم مخصوص ظاهری و توزیع اندازه ذرات، در برآورد حدود پایایی آتربرگ (رطوبت های حد روانی، حد خمیری و شاخص خمیرایی) رطوبت اشباع، جرم مخصوص ظاهری، کربن آلی و رطوبت اولیه مزرعه و در برآورد پارامترهای پروکتور (رطوبت بحرانی و جرم مخصوص ظاهری حداکثر) رطوبت اشباع، کربن آلی، رطوبت اولیه مزرعه و توزیع اندازه ذرات بودند. مقادیر ضریب تبیین (r2)، مجذور میانگین مربعات خطا (rmse)، معیار اطلاعات آکائیک (aic) و میانگین خطا (me) برای داده های آموزشی نشان داد توابع شبکه های عصبی مصنوعی در برآورد ویژگی های دیریافت مورد مطالعه در خاک های زراعی دشت اردبیل، دقیق تر از توابع رگرسیونی بودند.