ارزیابی دقت مدل‌های داده محور تصادفی و قطعی در مدل‌سازی و پیش‌بینی مقادیر دبی رودخانه (مطالعه موردی: رودخانه‌های غرب و جنوب غرب دریاچه ارومیه)

احمدپور، ع.، میرهاشمی، س ح.، حقیقت‌جو، پ.، 1399. ارزیابی مدل‌های کلاسیک و مدل مفهومی IHACRES و مدل هیبریدی ARMA-ANN در شبیه‌سازی جریان روزانه بارون، فصلنامه تحقیقات آب‌وخاک ایران، 51(3): 727-736

حجابی، س.، بذرافشان، ج.، قهرمان، ن.، 1392. مقایسه مهارت مدل‌های استوکاستیک و شبکه‌های عصبی مصنوعی در مدل‎سازی و پیش‎بینی مقادیر و طبقات شاخص بارندگی استانداردشده، فصلنامه پژوهش‌های جغرافیای طبیعی، 45(2)، 1-22.

دلناز، ع.، رخشنده رو، غ.، نیکو، م ر.، 1396. کاربرد مدل GRNN در قیاس با مدل‌های ANN و RBF در تخمین پارامترهای آبخوان محبوس، فصلنامه ژئوهیدرولوژی، 2(1): 102-117.

سراوانی، ز.، محمدرضاپور، ا.، سیاسر، ه.، 1402. پیش‌بینی پارامترهای کیفی آب‌های زیرزمینی استان گلستان با مدل‌های هوش مصنوعی، فصلنامه ژئوهیدرولوژی، 8(2): 15-28.

صالح‌آبادی، آ.، عمادی، س.ر.، 1402. توسعه شبکه‌های عصبی در پیش‌بینی جزر و مد دریای خزر بر اساس الگوریتم لونبرگ مارکوارت، مجله هیدروژئولوژی، 8(1)، 61-77.

غضنفری مقدم، م ص.، فرهمندراد، م.، بارانی، غ.، پوررضابیلندی، م.، 1397. واسنجی چند هدفه مدل هیدرولوژیکی مفهومی مبتنی بر هیدروگراف واحد لحظه ای ژئومورفلوژیکی (مطالعه موردی: زیر حوضه قره سو)، فصلنامه پژوهش‌های حفاظت آب‌وخاک، دوره 25، شماره 3، صص 161-175.

مجددی‌ریزه‌ئی، ح.، حبیب‌نژادروشن، م.، شاهدی، ک.، پردهان، ب.، 1399. کارایی مدل ترکیبی نسبت فراوانی-ماشین بردار پشتیبان در شناسایی مناطق مستعد سیل آبخیز کلات. اکو هیدرولوژی، 7(1)، 77-95.

نوشیار، م.، قاسمی مرزبالی، ع.، 1398. پیش‌بینی روزانۀ قیمت برق با روش مبتنی بر ماشین یادگیری شدید، سیستم پیش‌پردازش‌کنندۀ و الگوریتم بهبودیافتۀ کلونی جستجوی ویروس، مجله هوش محاسباتی در مهندسی برق، 10(2)، 67-101

Abrahart, R., Kneale, P.E., See, L.M., 2004. Neural networks for hydrological modeling. CRC Press.

Adnan, R.M., Liang, Z., Heddam, S., Zounemat-Kermani, M., Kisi, O., Li, B., 2019. Least square support vector machine and multivariate adaptive regression splines for streamflow prediction in mountainous basin using hydro-meteorological data as inputs. Journal of Hydrology, 124371.

Alvisi, S., Franchini, M., 2011. Fuzzy neural networks for water level and discharge forecasting with uncertainty. Environmental Modelling & Software, 26: 523–37.

Anandan, P., Sabeenian, R.S., 2018. Fabric defect detection using discrete curvelet transform. Procedia computer science, 133: 1056-1065.

Chu, H., Wei, J., Wu, W., Jiang, Y., Chu, Q., Meng, X., 2021. A classification-based deep belief networks model framework for daily streamflow forecasting. Journal of Hydrology, 595: 125967.

Farfán, J.F., Andino, P., Ortiz-Rodríguez, D., Vivanco-Gutiérrez, G., 2020. A hybrid neural network-based technique to improve the flow forecasting of physical and data-driven models: Methodology and case studies in Andean watersheds. Journal of Hydrology: Regional Studies, 27, 100652.

Fathabadi, A., Gholami, H., Salajeghe, A., Azaivand, H., Khosravi, H., 2009. Drought forecasting using neural network and stochastic models. American Eurasian Network for Scientific Information, 3(2): 137-146.

Feng, B.F., Xu, Y.S., Zhang, T., Zhang, X., 2022. Hydrological time series prediction by extreme learning machine and sparrow search algorithm. Water Supply, 22(3): 3143-3157.

Feng, D., Fang, K. and Shen, C., 2020. Enhancing streamflow forecast and extracting insights using long‐short term memory networks with data integration at continental scales. Water Resources Research, 56(9), p.e2019WR026793.

Hamel, L.H., 2011. Knowledge discovery with support vector machines, John Wiley & sons Publication, (3), 257.

Kottegoda, N.T., 1980. Stochastic water resources technology. Springer: 384.

Liong, S.Y., Khu, S.T., Babovic, V., Havnoe, K., Chan, W.T. and Phoon, K.K., 2000. Construction of non-linear models in water resources with evolutionary computation.

Ni, L., Wang, D., Singh, V.P., Wu, J., Wang, Y., Tao, Y. and Zhang, J., 2020. Streamflow and rainfall forecasting by two long short-term memory-based models. Journal of Hydrology, 583: 124296.

Niu, W.J., Feng, Z.K., 2021. Evaluating the performances of several artificial intelligence methods in forecasting daily streamflow time series for sustainable water resources management. Sustainable Cities and Society, 64: 102562.

Nirumand H.A., Bozorgnia A.Gh,. 2010.  Introduction to time series analysis. Ferdousi University Publications, Mashhad.

Noori, N., Kalin, L., 2016. Coupling swat and ann models for enhanced daily streamflow prediction. Journal of Hydrology, 533: 141–151.

Papacharalampous, G., Tyralis, H., Koutsoyiannis, D., 2019. Comparison of stochastic and machine learning methods for multi-step ahead forecasting of hydrological processes. Stochastic environmental research and risk assessment, 33(2): 481-514.

Shahin, M., Chen, F.F., Maghanaki, M., Firouzranjbar, S., Hosseinzadeh, A., 2024. Evaluating the fidelity of statistical forecasting and predictive intelligence by utilizing a stochastic dataset. The International Journal of Advanced Manufacturing Technology, 1-31.

Salas J.D, Delleur W, Yevjevich V, Lane W.L.,1988. Applied modeling of hydrologic time series. Water Resources Publications, Littleton. 458.

Stelling, G.S., 2000. A numerical method for inundation simulations. In Proc. 4th International Conference on Hydro-Science and Engineering, Seoul, Korea. 1: 872-892.

Tayyab, M., Zhou, J., Dong, X., Ahmad, I., Sun, N., 2019. Rainfall-runof modeling at Jinsha River basin by integrated neural network with discrete wavelet transform. Meteorology Atmospheric Physics, 131(1): 115–125.

Wagena, M.B., Goering, D., Collick, A.S., Bock, E., Fuka, D.R., Buda, A., Easton, Z.M., 2020. Comparison of short-term streamflow forecasting using stochastic time series, neural networks, process-based, and Bayesian models. Environmental Modelling & Software, 126: 104669.

Wagener, T., Van Werkhoven, K., Reed, P., Tang, Y., 2009. Multiobjective sensitivity analysis to understand the information content in streamflow observations for distributed watershed modeling. Water resources research, 45(2): 1-5

Xiao, Z., Liang, Z., Li, B., Hou, B., Hu, Y., Wang, J., 2019. New flood early warning and forecasting method based on similarity theory. Journal of Hydrologic Engineering, 24: 04019023.

Zeynoddin, M., Bonakdari, H., Ebtehaj, I., Azari, A., Gharabaghi, B., 2020. A generalized linear stochastic model for lake level prediction. Science of The Total Environment, 723: 138015.