مدل‌سازی انرژی مصرفی توت‌فرنگی بر پایه الگوی مصرف انرژی با بهره‌گیری از شبکه عصبی مصنوعی، انفیس و رگرسیون در شهرستان دزفول

باقرپور، ح. 1393. شبیه‌سازی فرآیند تولید سوخت بیودیزل حاصل از روغن‌های پسماند با استفاده از شبکه عصبی. مجله مدل‌سازی در مهندسی، 39: 148-143.

بخشوده، م. 1393. اقتصاد تولید (کاربرد آن در کشاورزی). چاپ چهارم. انتشارات دانشگاه شهید باهنر کرمان. 414 صفحه.

رحیمیان، ب. 1394. تعیین شاخص‌های اقتصادی، انرژی و زیست‌محیطی در کشت چند محصول (چغندرقند، گندم و نخود) در استان آذربایجان غربی به کمک تکنیک‌های هوش محاسباتی. پایان‌نامه کارشناسی‌ارشد. دانشگاه تهران، 129 صفحه.

رحیمی‌زاده، م.، مدنی، ح.، رضادوست، س.، مهربان، ا. و مرجانی، ع. 1386. تجزیه و تحلیل انرژی در بوم نظام‌های کشاورزی و راهکارهای افزایش کارآیی انرژی. ششمین همایش ملی انرژی، تهران. 12 صفحه.

عمید، س. و مصری گندشمین، ت. 1395. مدل‌سازی راندمان انرژی در تولید مرغ گوشتی به کمک رویکرد شبکه‌های عصبی مصنوعی پرسپترون. نشریه تحقیقات تولیدات دامی، 5 (2): 85-73.

موسوی‌اول، س. ه. 1390. مقایسه الگوی مصرف انرژی و تحلیل شاخص‌های مکانیزاسیون در تولید سویا، کلزا و آفتابگردان در شهرستان‌های گرگان، علی‌آباد و کلاله در استان گلستان. پایان‌نامه کارشناسی‌ارشد. دانشگاه تهران، 111 صفحه.

نبوی پله سرایی، ا. 1393. مدل‌سازی و بهینه‌سازی مصرف انرژی و میزان انتشار آلایندگی با استفاده از سیستم‌های خبره در الگوی کشت غالب شهرستان‌های آستانه اشرفیه و لنگرود در استان گیلان. پایان‌نامه کارشناسی‌ارشد. دانشگاه تبریز.110 صفحه.

Al-Ghandoor, A., Jaber, J. O., Al-Hinti, I., Mansour, I. M. 2009. Residential past and future energy consumption: Potential savings and environmental impact. Renewable and Sustainable Energy Reviews, 13 (6-7): 1262-74.

Aydin, G. 2014. Modeling of energy consumption based on economic and demographic factors: The case of Turkey with projections. Renewable and Sustainable Energy Reviews, 35: 382-389.

Ceylan, H., Guclu, A., Tutumluer, E. and Thompson, M. R. 2004. Use of artificial neural networks for back calculation of pavement layer moduli. 2004 FWD Users, October 2-5, university Inn, West Lafayette, Indiana.

Cochran, W. G. 1977. Sampling Techniques, third ed. John Wiley & Sons, New York, 1-448.

Dalgaard, T., Halberg, N. and Porter, J. R. 2001. A model for fossil energy use in Danish agriculture used to compare organic and conventional farming. Agriculture, Ecosystem and Environment, 1: 51-65.

Drummond, S. T., Sudduth, K. A., Joshi, A., Birrell, S. J. and Kitchen, N. R. 2003. Statistical and neural methods for site–specific yield prediction. Transactions of the ASAE, 46 (1): 5-14.

Erdal, G., Esengun, K., Erdal, H. and Gunduz, O. 2007. Energy use and economical analysis of sugar beet production in Tokat province of Turkey. Energy, 32: 35-41.

Kaul, M., Hill, R.L., Walthall, C. 2005. Artificial neural networks for corn and soybean yield prediction. Agricultural Systems, 85: 1-18.

Khoshnevisan, B., Rafiee, S., Omid, M., Yousefi, M. and Movahedi, M. 2013. Modeling of energy consumption and GHG (greenhouse gas) emissions in wheat production in Esfahan province of Iran using artificial neural networks. Energy, 52 (3): 333-338.

Khoshnevisan, B., Rafiee, S., Omid, M. and Mousazadeh, H. 2014. Prediction of potato yield based on energy inputs using multi-layer adaptive neuro-fuzzy inference system. Measurement, 47: 521-530.

Kitani, O. 1999. Energy and Biomass Engineering in: St. Joseph, M. A. (Ed.). CIGR Handbook of Agricultural Engineering, 330 p.

Mesri-Gundoshmian, T., Ghassemzadeh, H. R., Abdollahpour, S. and Navid, H. 2010. Application of artificial neural network in prediction of the combine harvester performance. Food, Agriculture and Environment, 8 (2): 721-724.

Mohammadi, A. and Omid, M. 2010. Economical analysis and relation between energy inputs and yield of greenhouse cucumber production in Iran. Applied Energy, 87: 191-196.

Naderloo, L., Alimardani, R., Omid, M., Sarmadian, F., Javadikia, P., Torabi, M. Y. and Alimardani, F. 2012. Application of ANFIS to predict crop yield based on different energy inputs. Measurement, 45 (6): 1406-1413.

Omid, M., Ghojabeige, F., Delshad, M. and Ahmadi, H. 2011. Energy use pattern and benchmarking of selected greenhouses in Iran using data envelopment analysis. Energy Conversion and Management, 52: 153-62.

Pahlavan, R., Omid, M. and Akram, A. 2012. Energy input–output analysis and application of artificial neural networks for predicting greenhouse basil production. Energy, 37 (1): 171-17.

Pishgar-Komleh, SH., Ghahderijani, M. and Sefeedpari, P. 2012. Energy consumption and CO₂ emissions analysis of potato production based on different farm size levels in Iran. Journal of Cleaner Production, 33: 183-91.

Rahman, M. M. and Bala, B. K. 2010. Modelling of jute production using artificial neural networks. Biosystems Engineering, 105 (3): 350-356.

Rafiee, S., Mousavi Avval, S. H. and Mohammadi, A. 2010. Modeling and sensitivity analysisof energy inputs for apple production in Iran. Energy, 35: 3301-3306.

Singh, S. and Mittal, J. P. 1992. Energy in production agriculture. New Delhi: Mittal Publications. 1-380.

Yang, C., Prasher, S., Landry, J. and Ramaswamy, H. 2003. Development of an herbicide application map using artificial neural networks and fuzzy logic. Agricultural Systems, 76: 561-574.