- برآورد تبخیر از سطح مخزن با استفاده از مدل شبکه ی عصبی مصنوعی (مطالعه ی موردی سد میناب)

منابع

- باباعلی حمیدرضا و رضا دهقانی (1396)، پیش‌بینی دبی سیلابی با استفاده از شبکه­ ی عصبی موجک، مجله­ ی هیدروژئومورفولوژی، دوره­ ی 3، شماره­ ی 11، صص 168-149.

- بابامیری، امید و یعقوب دین‌پژوه  (1395)، مقایسه و ارزیابی بیست روش تخمین تبخیر-تعرق گیاه مرجع مبتنی بر سه دسته­ ی کلی دمای هوا، تابش خورشید و انتقال جرم در حوضه­ ی آبریز دریاچه­ ی ارومیه، نشریه­ ی علوم آب و خاک- علوم و فنون کشاورزی و منابع طبیعی، دانشگاه اصفهان، 20 (77)، صص 145-161.‎

- ستاری، محمدتقی؛ میرعباسی نجف­آبادی، رسول و مسعود علیمحمدی (1395)، کاربرد مدل درختی M5در پیش‌بینی خشکسالی (مطالعه­ ی‌ موردی: مراغه، ایران)، مجله­ ی هیدروژئومورفولوژی، دوره­ ی 2، شماره­ ی 7، صص 159-141.

- ندیری، عطاالله و سعید یوسف‌زاده (1396)، مقایسه­ی‌ کارآیی مدل‌های شبکه‌ عصبی مصنوعی، منطق فازی و سیستم استنتاج نرو- فازی تطبیقی در تخمین هدایت هیدرولیکی آبخوان دشت مراغه-بناب، مجله ­ی هیدروژئومورفولوژی، دوره­ ی 3، شماره­ ی 10، صص 21-40.

- نورانی، وحید؛ آزاد، نرگس؛ قاسم­زاده، مهسا و الناز شرقی (1395)، بررسی تأثیر پارامترهای هیدروکلیماتولوژیکی آجی­چای بر تغییرات تراز آب دریاچه­ ی ارومیه با استفاده از مدل ترکیبی موجک– من­کندال، مجله­ ی هیدروژئومورفولوژی، دوره ­ی 2، شماره­ ی 7، صص 159-141.

-Deswal, Surinder, and Mahesh Pal. (2008), Artificial neural network based modeling of evaporation losses in reservoirs, International Journal of Mathematical, Physical and Engineering Sciences, No. 4, PP.177-181.

-Ma, Lili; Yun Wu, Jianwei Ji and Chaoxing He. )2011(, The prediction model for soil water evaporation based on BP neural network, Conference on Intelligent Computation Technology and Automation (ICICTA), International, Vol. 2, PP. 276-280.

-Felix Klein.(1979), Development of mathematics in the 19th century, Mathsci Press Brookline, Translated by M. Ackerman from Vorlesungen uber die Entwicklung der Matematik im 19 Jahrhundert, Springer, Berlin.

-Rajaee, T., Mirbagheri, S. A., Nourani, V., and Alikhani, A. (2010), Prediction of daily suspended sediment load using wavelet and neurofuzzy combined model, International Journal of Environmental Science & Technology, 7, No.1, PP. 93-110.

-Reddy, T. Agami. (2007), Application of a generic evaluation methodology to assess four different chiller FDD methods (RP-1275), HVAC&R Research Vol.13, No. 5, PP. 711-729.

-Tabari, H., Marofi, S., and Sabziparvar, A.A. (2010), Estimation of daily pan evaporation using artificial neural network and multivariate non-linear regression, Irrigation Science, Vol.28, No.5, PP. 399-406.

-Tabesh, M., and Dini, M. (2010), Forecasting daily urban water demand using artificial neural networks, a case study of Tehran urban water, J. of Water and Wastewater, Vol. 21, No.1, PP. 84-95. (In Persian)

-Thomas, George B., Jr. Finney, Ross L.(1996), Calculus and Analytic Geometry (9th ed.), Addison Wesley, ISBN: 0-201-53174-7.

-Traore, Seydou, Yu-Min Wang, and Tienfuan Kerh.(2010), Artificial neural network for modeling reference evapotranspiration complex process in Sudano-Sahelian zone, Agricultural Water Management , Vol.97, No. 5, PP. 707-714.

-Zoqi, M.J., and Saeedi, M. (2011), Modeling leachate generation using artificial neural networks, J. of Water and Wastewater, Vol. 22, No.1, PP. 76-84.