تخمین هدایت هیدرولیکی آبخوان باروق با استفاده از مدل‌های فازی ساگنو و ممدانی

محتشم، م.، دهقانی، آ.، اکبرپور، آ.، اعتباری، ب.، 1389. ارزیابی مدل شبکه­های بیزین در پیش­بینی ماهانه سطح آب زیرزمینی (مطالعه موردی: آبخوان بیرجند). مدیریت آب و آبیاری، دوره5، شماره2، 151-139.

یوسف‌زاده، س.، نادری، ع.، صادق فام، س.، 1395. مقایسه شبکه عصبی مصنوعی و سیستم استنتاج فازی در برآورد هیدرولوژیکی با استفاده از داده­های ژئوفیزیک (مطالعه موردی: دشت مراغه بناب). سومین کنفرانس بین‌المللی مهندسی عمران.

ندیری، ع.، اصغری مقدم، ا.، عبقری، ه.، کلانتری اسکویی، ع.، حسین­پور، ع.، حبیب­زاده، ا.، 1393. مدل منطق فازی در تخمین قابلیت انتقال آبخوان‌ها مطالعه موردی: دشت تسوج. مجله دانش آب و خاک، دوره 24، شماره1، 223-209.

ندیری، ع.، واحدی، ف.، اصغری مقدم، ا.، کدخدایی، ع.، 1395. استفاده از مدل هوش مصنوعی مرکب نظارت شده برای پیش‌بینی سطح آب زیرزمینی، فصلنامه مهندسی عمران و محیط زیست دانشگاه تبریز، دوره 46، شماره 84.

حبیبی، م.ح. 1393. پیش­بینی سطح آب زیرزمینی در دشت هادیشهر با استفاده از روش­های هوش مصنوعی. پایان‌نامه کارشناسی ارشد، دانشکده علوم طبیعی، دانشگاه تبریز، 150ص.

مصطفی‌زاده، ر.، مهری، س.، اسمعیلی عوری، ا.، قربانی، ا. 1395.گروه‌بندیآبخیز‌هابر اساسخصوصیاتفیزیکیودبی پایهجریانرودخانهباروش‌هایمختلفخوشه‌بندی دراستاناردبیل، ترویج و توسعه آبخیزداری، دوره 4، شماره 15، 31-40.

ودیعتی، م.، اصغری مقدم، ا.، نخعی، م.، 1396.تبیین تحولات رخساره‌های هیدروشیمیایی آبخوان سراب با استفاده از روش‌های خوشه‌بندی میانگین فازی و تحلیل خوشه سلسله مراتبی، مجله اکوهیدرولوژی، دوره 4، شماره3، 763-773.

نادری، ک.، 1393. پیش‌بینی زمانی و مکانی سطح آب زیرزمینی با استفاده از روش‌های هوش مصنوعی و زمین‌آمار (مطالعه موردی: آبخوان دشت دوزدوزان)، پایان‌نامه کارشناسی ارشد، دانشکده علوم طبیعی، دانشگاه تبریز، 134ص.

Ayvaz M.T, Karahan H, Aral M.M., 2007. Aquifer parameter and zone structure estimation using kernel-based fuzzy c-means clustering and genetic. Journal of Hydrology. (343): 240-253.

Nadiri A, vahedi F., 2005. Use of Artificial Intelligence Models Supervised to predict groundwater level. Journal of Civil and Environmental Engineering. (3): 84-99.

Nadiri A.A, Chitsazan N, Frank T.C, Tsai M.ASCE3, AsghariMoghaddam A, 2014. Bayesian Artificial Intelligence Model Averaging for Hydraulic Conductivity Estimation. Journal of Hydrologic Engineering. (19): 520-532.

Norouzi, H., Asghari Mogaddam, A. and Nadiri, A.A. 2016. Determining vulnerable areas of Malikan Plain Aquifer for Nitrate, Using Random Forest method. Journal of Environmental Studies. 41(4): 923-94.

Norouzi, H., Nadiri, A.A., Moghaddam, A.A., Gharekhani, M. 2018. Comparing Performans of Fuzzy Logic, Artificial Neural Network and Random Forest Models in Transmissivity Estimation of Malekan Plain Aquifer, Journal of ecohydrology. 5(3): 739-751. doi.org/10.22059/ije.2018.239914.707

Ross, J., Ozbek, M., Pinder, G., 2007. Hydraulic conductivity estimation via fuzzy. Math Geology. 39(8). 765-780.

Vernieuwe H, Verhoest N.E.C, De Baets B, Hoeben R, De Trocch F.P, 2007. Cluster-based fuzzy models for groundwater flow in the unsaturated zone.Advance in Water Resources. (30):701-714.

Zadeh.L.A., 1965. Fuzzy sets, information and control. 8(3):338-353.