با وجود پیشرفت‌های تکنیکی و بهبود ابزار آلات مورد استفاده در اندازه‌گیری مستقیم خصوصیات خاک، فرآیند مذکور همچنان زمان‌بر بوده و همراه با خطا می‌باشد. لذا در این مقاله کارایی شبکه عصبی مصنوعی به عنوان یک روش غیر‌مستقیم، برای پیش‌بینی رطوبت قابل دسترس خاک با استفاده از خصوصیات زود‌یافت مورد بررسی قرار گرفت. بدین منظور، ابتدا قطعه زمینی تحت کشت چغندر‌قند به مساحت 16 هکتار در محدوده مطالعاتی شیروان، استان خراسان شمالی انتخاب شد. سپس خصوصیات رطوبت قابل دسترس (AWC)، کربن آلی (SOC)، توزیع اندازه ذرات خاک، وزن مخصوص ظاهری (BD)، اسیدیته (pH) و هدایت الکتریکی (EC) با استفاده از روش‌های استاندارد، در 100 نمونه مشاهداتی به صورت یک شبکه منظم 40 × 40 متر اندازه‌گیری شدند. در ادامه، تست‌های آماری سری داده‌ها از نظر نرمال بودن بررسی شده و همبستگی بین متغیر‌ها محاسبه گردید. سپس شبکه عصبی با اجرای سه الگوریتم Levenberg-Marquardt، Bayesian Regulization و Scaled Conjugate Gradiant آموزش داده شد. در مرحله بعد، پارامتر‌های آماری میانگین مربعات خطا (MSE)، ضریب همبستگی در سطح 5 درصد (r) و مقدار bias برای اعتبار‌سنجی هر الگوریتم محاسبه گردید. نتایج حاصل از این پژوهش نشان دادند که الگوریتم Bayesian Regulization با خطای (5-E3027/6 = MSE)، ضریب همبستگی (*9147/0 = r) و bias (0013/0 = bias) بهترین عملکرد را در بین الگوریتم‌های آموزش شبکه عصبی پرسپترون چند لایه (MLP) دارد. بنابراین می‌توان نتیجه گرفت که روش‌های شبکه عصبی مصنوعی برای تخمین و پیش‌بینی پدیده‌ها با ماهیت غیر‌خطی و مبهم مانند رطوبت خاک از کارایی بالایی برخوردار می‌باشند.