W pracy zaprezentowano koncepcję współczynnika temperatury gleby, jako ilorazu temperatury gleby w danym punkcie w zlewni i temperatury w punkcie bazowym zlokalizowanym na wododziale. Do modelowania rozkładu współczynnika temperatury gleby w zależności od wybranych parametrów fizjograficznych i glebowych wykorzystano sztuczne sieci neuronowe (SSN). SSN została nauczona w oparciu o dane empiryczne, obejmujące pomiary temperatury gleby, w warstwie 0–10 cm w 126 punktach, na terenie zlewni potoku Mątny zlokalizowanej w Gorcach, w Karpatach Zachodnich. Powierzchnia zlewni wynosi 1,47 km2. Temperatura była mierzona za pomocą urządzenia typu TDR. Parametry glebowe i fizjograficzne objęły: kierunek spływu, zawartość iłu, wysokość n.p.m., ekspozycję, kształt stoku, położenie na stoku, użytkowanie terenu i grupę hydrologiczną gleby. Parametry zostały wygenerowane przy użyciu NMT o rozdzielczości 5 m i mapy glebowo-rolnicze, przy użyciu programu ArcGIS. Najlepiej dopasowanym modelem sztucznych sieci neuronowych okazał się m1odel MLP 10-8-1, z 8 neuronami w warstwie ukrytej. Parametry jakości dopasowania sieci były satysfakcjonujące. Parametr jakości dla zbioru uczącego wyniósł 0,805, dla testowego 0,894 i dla walidacyjnego 0,820. Globalna analiza wrażliwości sieci pozwoliła na ocenę procentowego udziału poszczególnych parametrów wyjaśnianiu kształtowania się wartości współczynnika temperatury gleby. Największy wpływ miały: użytkowanie terenu (25,0%) i ekspozycja (20,5%), a najmniejszy położenie na stoku oraz kierunek spływu wody.