صحت توابع انتقالی در پیشبینی خواص هیدرولیکی خاک را میتوان با استفاده از توابع پرانعطاف افزایش داد. این تحقیق به منظور ارزیابی کارایی توابع با قابلیت انعطاف متفاوت (رگرسیونهای خطی و غیر خطی چند متغیره (MLR)، فیزیکی- تجربی آریا و پاریس (AP)، شبکه عصبی مصنوعی(ANN)، مدیریت دادهها به روش گروهی (GMDH) در پیشبینی مقدار آب خاک در حد ظرفیت مزرعهای و نقطه پژمردگی دائم خاکهای شالیزاری اجرا گردید. توابع انتقالی با استفاده از دادههای توزیع اندازه ذرات، کربن آلی، چگالی ظاهری و مقدار رطوبت حجمی خاک در مکشهای 33 و 1500 کیلوپاسکال در 136 نمونه خاک اراضی شالیزاری ساخته شد. الگوریتم GMDH در مقایسه با دیگر توابع انتقالی با کمترین ریشه میانگین مربعات خطا (RMSE)، کمترین محک آکایک (AIC) و بیشترین نمایه توافق (D) از صحت و اعتبار بیشتری در پیشبینی مقدار رطوبت حجمی خاک در مکشهای 33 و 1500 کیلوپاسکال برخوردار بود. به نظر می رسد الگوریتم GMDH در تعیین روابط غیرخطی و پیچیده بین متغیرهای پایه مانند توزیع اندازه ذرات، چگالی ظاهری خاک و کربن آلی با مقدار رطوبت حجمی خاک در مکشهای 33 و 1500 کیلوپاسکال موفق تر از دیگر توابع انتقالی عمل نموده است.
