مقایسه روش‌های سیستم استنتاج فازی- عصبی تطبیقی، شبکه عصبی مصنوعی و برنامه‌ریزی بیان ژن در تخمین میزان سختی آب زیرزمینی (مطالعه موردی: دشت مازندران)

[1] احمدی، ف.، آیشم، س.، خلیلی، ک.، بهمنش، ج (1394) کاربرد سیستم‌های استنتاج عصبی - فازی تطبیقی و برنامه­ریزی ژنتیک برای برآورد تبخیر تعرق ماهانه در شمال غرب ایران. نشریه پژوهش آب در کشاورزی .29(2).

[2] تمدنی کناری، س (1391) پیش­بینی هوشمند شوری آب زیرزمینی با استفاده از شبکه عصبی مصنوعی. دومین کنفرانس برنامه­ریزی و مدیریت محیط زیست.

[3] دربندی، ص.، عباسپور، ا.، شعیبی نوبریان، م، ر (1390) پیش­بینی جریان ورودی به مخزن سد علویان با استفاده از برنامه­ریزی ژنتیک. پنجمین کنفرانس سراسری آبخیزداری و مدیریت منابع آب و خاک کشور.

[4] رحمانی، غ، ر (1393) شبیه‌سازی منابع آب زیرزمینی دشت عقیلی با استفاده از شبکه‌های عصبی مصنوعی و مقایسه آن با نتایج مدل ریاضی تفاضلات محدود. پایان نامه کارشناسی ارشد، دانشگاه شهید چمران اهواز.

[5] زمانی احمد محمودی، ر (1391) بررسی کاربرد روش ترکیبی زمین آمار و شبکه‌های عصبی بهینه شده با الگوریتم ژنتیک در میان یابی سطح آب زیرزمینی دشت. پایان­نامه کارشناسی­ارشد، دانشگاه شهید چمران اهواز، گروه مهندسی منابع آب.

[6] غلامی، و.، درخشان، ش.، درواری، ز (1391) بررسی روش رگرسیون چند متغیره و شبکه عصبی مصنوعی در شبیه سازی شوری آب زیرزمینی سواحل استان مازندران. نشریه پژوهش آب در کشاورزی. جلد 26. شماره3.

[7] نحوی نیا، م، ج.، لیاقت، ع.، پارسی نژاد، م (1389) کاربرد مدل­های تجربی و آماری در پیش­بینی میزان نفوذ آب در آبیاری جویچه‌ای. نشریه آب و خاک. 24(4).780.

[8] وانگ، لی.، ترجمه تشنه لب، م.، صفارپور، ن.، افیونی، د (1386) سیستم­های فازی و کنترل فازی. تهران: دانشگاه صنعتی خواجه نصیرالدین توسی.

[9] Aqil, M., Kita, I., Yano, A., Nishiyama, S (2007) Analysis and prediction of flow from local source in a river basin using a Neuro-fuzzy modeling tool. J. Environ. Manage. 85(1): 215–223.

[10] ASCE Task Committee on Application of Artificial Neural Networks in Hydrology (2000) Artificial Neural Networks in Hydrology. I: Preliminary Concepts. J. Hydrol. Eng., 5(2): 115–123.

[11] Ghorbani, M, A., Singh, V, P., Kashani, M., Kashani, A (2012) Modelling pan evaporation using genetic programming. Journal of Statistics: Advances in Theory and Application, vol.1-23.

[12] Hornik, K (1988) Multilayer feed-forward networks are universal approximators. Neural Networks .2 (5): 359–366.

[13] Khatibi, R., Naghipour, L., Ghorbani, M, A., Aalami, M, T (2012) Predictability of relative humidity by two artificial intelligence techniques using noisy data from two Californian gauging stations. Neural computing and application, vol. 643-941.

[14] Maier, H, R., Dandy, G, C (1996)  The use of artificial neural networks for the prediction of water quality parameters. Water Resources Research, 32(4), 1013-1022.

[15] Najah, A., Elshafie, A., Karim, O., Jaffar, O (2009) Prediction of Johor river water quality parameters using artificial neural networks. European Journal of scientific research. 28: 422-435

[16] Nourani, V., Kisi, Ö., Komasi, M (2011)Two hybrid artificial intelligence approaches for modeling rainfall–runoff process. Journal of Hydrology.402 (1–2): 41–59.

[17] Nourani,V., Alami, M, T., Aminfar, M, H (2009) A combined neural-wavelet model for prediction of Ligvanchai watershed precipitation. Engineering Applications of Artificial Intelligence .22(2):466–472.

[18] Singh, K, P., Basant, A., Malik, A., Jain, G (2009) Artificial neural network modeling of the river water quality-A Case Study. Journal of Ecological Modeling. 220: 888-895.

[19] Tokar, A, s., Johnson, P, A (1999) Rainfall- Runoff modeling using artificial neural

[20] Zhu, Y, M., Lu, X, X., Zhou ,Y (2007)  Suspended sediment flux modeling with artificial neural network: An example of the Longchuanjiang River in the Upper Yangtze Catchment. Geomorphology, 84: 111-125.