ارزیابی و تحلیل نقش خصوصیات فیزیکی ابر در مقدار بارش محتمل با استفاده از داده های ماهواره ای MSG منطقه مورد مطالعه: غرب ایران

- پورباقر کردی سید مهدی­، مباشری محمدرضا، فرج زاده اصل منوچهر(1386). امکان سنجی  استفاده از داده­های رادیوسوند و تصاویر ماهواره­ای مودیس در برآورد آب قابل بارش کلی، همایش ژئوماتیک تهران، سازمان نقشه بردای کشور.

- جوان خدیجه ، رسولی علی اکبر، عرفانیان مهدی، ساری صراف بهروز (1397). ارزیابی تطبیقی روشهای برآورد مقدار بارندگی در حوضه دریاچه ارومیه،  نشریه جغرافیا و برنامه ریزی، سال 25­، شماره 65­، صص 100-83.

- رستم زاده هاشم ، رسولی علی اکبر ، وظیفه دوست مجید ، ملکی ناصر(1397). مقایسه تطبیقی بارش بدست آمده از ماهواره TRMM ، GPM و رادار داپلر با داده های ایستگاههای زمینی (مطالعه موردی بارش فراگیر 26 تا 28 اکتبر 2015 در غرب ایران)، نشریه پزوهش های اقلیم شناسی در دست چاپ.

- رسولی علی اکبر، جهانبخش سعید، قاسمی احمدرضا(1393). بررسی ارتباط بین پارامترهای مهم ابر و بارش روزانه ایران،  فصلنامه تحقیقات جغرافیایی، سال 29­، شماره اول­، بهار 1393، شماره پیاپی 112.

- رسولی علی اکبر(1387). مبانی سنجش از دور کاربردی با تأکید بر پردازش تصاویر ماهواره­ای– انتشارات دانشگاه تبریز، چاپ اول.

- ضیائیان صادق (1396). پیش بینی کوتاه مدت بارشهای شدید تابستانه بر مبنای تلفیق محصولات ماهواره و پیش بینی عددی وضع هوا­، رساله دکتری­،  پژوهشکده هواشناسی و علوم جو.

- فیضی زاده بختیار، حسنی تبار محمد، جعفر زاده جعفر(1397). امکان سنجی  استفاده از تکنیک های تلفیق و بهینه سازی در ارتقاء پارامتر مقیاس سگمنت جهت پردازش شیء گرای تصاویر ماهواره. نشریه جغرافیا و برنامه ریزی، سال 25­، شماره 65­، صص 19-1.

- قلی زاده محمد حسین، دارند محمد (1389). پیش بینی بارش ماهانه با استفاده از شبکه­های عصبی مصنوعی(مورد تهران) پژوهش‌های جغرافیایی طبیعی­، شماره 71، صص 63-51.

- متکان، علی اکبر، آذری،حمید­، شکیبا علیرضا­، پورعلی، حسین(1388) قابلیت داده­های ترکیبی مادون قرمز و مایکروویو و غیرفعال سنجش از دور در تخمین بارندگی و پایش سیلاب، نشریه سنجش از دور ایران­، سال اول،شماره دوم­، تابستان 1388­، صص 44-31

- مسعودیان، ابوالفضل، جعفری شندی ، فاطمه(1393). بررسی رابطه سامانه های همدید مؤثر در بارش های سنگین پهنه کم بارش شمال ایران، نشریه جغرافیا و برنامه ریزی، سال 18،شماره 50، صص 331-305

-Askelson, M. (2007). On the use of satellite cloud top pressure data in the estimation of snowfall occurrence an d precipitation rates.23rd Conference on IIPS.

-Blaine Rister, Daniel.L Rubin. (2017). Piec wise convexity of artificial neural networks . J. neural networks . 94:34 -45.

-Bretherton, H.S., E.P. Matthew and E.B. Larissa. (2004). Relationships between Water Vapor-Path and Precipitation over the Tropical Oceans. J. Climate. 17:1517 -1528.

-Ioannidou, M. P., Kalogiros, J. A., & Stavrakis, A. K. (2016). Comparison of the TRMM Precipitation Radar rainfall estimation with ground-based disdrometer and radar measurements in South Greece.Atmospheric Research , 181, 172-185.

-Javan, K., & Azizzadeh, M. R. (2017). Evaluation of the TRMM-3B43V7 rainfall products on a monthly scale in the Northwest of Iran. Environmental Resources Research, 5(2), 153-168

-Hanna, W., D.M. Schultz and A.R. Irving. (2008).Cloud-Top Temperatures for Precipitating Winter Clouds. J of Appl. Meteorolo. and Climatolo. 47: 351-359.

-Houze, R. A. (1993). Cloud Dynamics. Academic Press, 573 pp.

-Henderson, D., S., Ch., D. Kummerow, D., A. Marks, and W., Berg, (2017), A Regime-Based Evaluation of TRMM Oceanic Precipitation Biases, Journal of Atmospheric and Oceanic Technology, Vol. 34, No. 12, pp 2613-2635

-Heymsfield, A.J., S. Matrosov and B. Baum. (2003). Ice Water Path – Optical Depth Relationships for Cirrus and Deep Stratiform Ice Cloud Layers. J of Appl. Meteorolo. 42: 1369 – 1389

-Hong ,y. adler , Rf. , Hossain,f.,Curtis , s. and Huffman Gj(2007) afirst approach to global run off simulation using satellite rain fall estimation. journal of water resour Resources research 43 , w08502.doi: 10.1029 1200, wr 005739

-Hosseini, S. H., Rezaei, M. J., Bag-Mohammadi, M., Altzibar, H., & Olazar, M. (2018). Smart Models to Predict the Minimum Spouting Velocity of Conical Spouted Beds with Non-porous Draft Tube. Chemical Engineering Research and Design.

-Leo, B., Friedman, J. H., Olshen, R. A., & Stone, C. J. (1984). Classification and regression trees. Wadsworth International Group.

-Menzel, W.P., R.A. Frey, H. Zhang, D.P. Wylie, C. Moeller, R. Holz, B. Maddux, B. Baum, K. Strabala, and L. Gumley. (2008). MODIS Global Cloud-Top Pressure and Amount Estimation Algorithm Description and Results. Journal of applied meteorology and climatology. 47:11751198.

-Mehdizadeh, S., Behmanesh, J., & Khalili, K. (2018). New approaches for estimation of monthly rainfall based on GEP-ARCH and ANN-ARCH hybrid models. Water Resources Management, 32(2), 527-545.

-Mong , HSU ,KL. sorooshian ,s .and Gao,x –(2004)precipitation estimation from remotecly sensed imagery using and artificial neural network cloud classification system  applied meteorology and climatology. 43 , 1834 – 1853 , doi: 10.1175/jam 2173.10

-Ouallouche, F., Lazri, M., & Ameur, S. (2018). Improvement of rainfall estimation from MSG data using Random Forests classification and regression. Atmospheric Research, 211, 62-72.

-Panagos, P., Borrelli, P., Meusburger, K., Yu, B., Klik, A., Lim, K. J., ... & Sadeghi, S. H. (2017). Global rainfall erosivity assessment based on high-temporal resolution rainfall records. Scientific reports, 7(1), 4175.

-Pan, X., Cao, C., Yang, Y., Li, X., Shan, L., & Zhu, X. (2018, April). Land surface temperature downscaling using random forest regression: primary result and sensitivity analysis. In Ninth International Conference on Graphic and Image Processing (ICGIP 2017) (Vol. 10615, p. 106154C). International Society for Optics and Photonics.

-Zeng, x, 1999. The relationship among precipitation cloud- top temperature and precipitable water over the tropics: j of climate. 12 ,2503 -2514