امامقلیزاده، ص. کریمیدمنه، ر. اژدری، خ. (1395). مقایسه روشهای متداول برآورد بار رسوب معلق رودخانهی کرخه با روش برنامهریزی بیان ژن. فصلنامه جغرافیا و توسعه. (45). ص 140-121.
اکبرپور، ا. حامدافتخار، خ. (1385). مقایسه مدلهای شبکه عصبی مصنوعی و رگرسیون در پیشبینی آورد رسوب درحوزه اهرچای آذربایجان شرقی. اولین همایش ملی مدیریت شبکه های آبیاری و زهکشی. 9 ص.
ادهمی، م. 1391. تجزیه و تحلیل منطقهای برآورد رسوب معلق با استفاده از خصوصیات حوضهی ودخانههای گرگانرود و قرهسو. پایاننامه کارشناسی ارشد. دانشگاه علوم کشاورزی و منابع طبیعی گرگان. دانشکده مرتع و آبخیزداری. 118ص.
امیدوارینیا، م. (1388). کاربرد الگوریتم ژنتیک در بهینهسازی پارامترهای ورودی بیبعد به مدل شبکههای عصبی مصنوعی جهت پیشبینی انتقال بار معلق رودخانههای آبرفتی (مطالعه موردی رودخانه کارون). پایاننامه کارشناسی ارشد. دانشکده مهندسی علوم آب. دانشگاه شهید چمران اهواز. 138 ص.
برزگری، ف و دستورانی، م ت. (1391). پیشبینی بار معلق رودخانه با استفاده از مدلهای سری زمانی و شبکه عصبی مصنوعی. نهمین سمینار بینالمللی مهندسی رودخانه. دانشگاه شهید چمران، اهواز.
حیات زاده، م. چزگی، ج. دستورانی، م ت. (1394). ارزیابی برآورد رسوب با استفاده از روشهای منحنی سنجه و شبکه عصبی با تلفیق پارامترهای مورفولوژیکی حوزه (مطالعه موردی حوزه باغعباس). مجله علوم و فنون کشاورزی و منابع طبیعی. علوم آب و خاک. سال نوزدهم- شماره 72. ص 227-217.
دهقانی، ن. وفاخواه، م. (1392). مقایسه روشهای تخمین رسوب معلق روزانه با استفاده از روش های منحنی سنجه رسوب و شبکه عصبی (مطالعه موردی: ایستگاه قزاقلی، استان گلستان). مجله پژوهشهای حفاظت آب و خاک. ص230-221.
دهقانی، ا ا. زنگنه، م ا. مساعدی، ا. کوهستانی، ن. (1388). مقایسه تخمین بار معلق به دو روش منحنی سنجه رسوب و شبکه عصبی (مطالعه موردی: رودخانه دوغ استان گلستان). مجله علوم کشاورزی و منابع طبیعی. 16 (1).
رجایی، ط و میرباقری، ا. (1388). مدل بار معلق رودخانههابا استفاده از شبکه عصبی مصنوعی. نشریه مهندسی عمران، دانشگاه فردوسی مشهد. 21 (1): ص 43-27.
روشنگر، ک. اعلمی، م.ت و وجودیمهربانی، ف. (1394)، افزایش دقت پیشبینی بار کل رسوبی با استفاده از الگوریتمهای تکاملی (مظالعه موردی: رودخانه قطورچای). نشریه آب و خاک، 29: (6). ص 1426-1416.
شیخعلیپور، ز. حسنپور ف، عظیمی، و. (1394). مقایسه روشهای هوش مصنوعی در برآورد بار معلق رسوب (مطالعه موردی: رودخانه سیستان). نشریه پژوهشهای حفاظت آب و خاک. 22 (2). ص60-41.
طهمورث، م. احمدی، ح. تقوی، ن. عسگری، ح م. (1388). مقایسه دقت مدلهای شبکه عصبی مصنوعی ژئومورفولوژی (GANNs) و رگرسیونی (RM) در برآورد رسوب طالقان. پژوهشهای آبخیزداری (پژوهش و سازندگی). شماره 84. ص 27-20.
طباطبایی، م ر. سلیمانی، ک. حبیبنژاد روشن، م. کاویان، ع. (1393). برآورد غلظت رسوب معلق روزانه با استفاده از شبکه عصبی مصنوعی و خوشهبندی دادهها به روش نگاشت خود سازمان ده (مطالعه موردی: ایستگاه هیدرومتری سیرا- رودخانه کرج). پژوهشنامه مدیریت حوزهآبخیز. سال پنجم-شماره 10. 116-98.
طباطبایی، م ر. (1393). برآورد بار رسوب معلق روزانه با استفاده از روشهای محسبات نرم (شبکه عصبی، نروفازی و الگوریتم ژنتیک) و دادهای آب و هواشناسی، دانشگاه علوم کشاورزی و منابع طبیعی ساری - دانشکده کشاورزی و منابع طبیعی. پایاننامه دکتری رشته علوم و مهندسی آبخیزداری. 182 ص.
عبدی دهکردی، م. (1391). تخمین هوشمند دبی رسوب بار معلق با استفاده از فنآوری های نوین. پایاننامه کارشناسی ارشد. دانشگاه علوم کشاورزی و منابعطبیعی گرگان. دانشکده مهندسی آب و خاک.. 91 ص.
عبدی دهکردی، م. مفتاح هلقی، م. دهقانی، ا ا. حسام، م. 1390. کاربرد الگوریتم ژنتیک در در بهینهسازی ضرائب معادله سنجه رسوب. پنجمین کنفرانس سراسری آبخیزداری و مدیریت منابع آب و خاک. کرمان.
کارگریان، س. (1391)، بهینهسازی روابط دبی-رسوب با استفاده از روشهای اصلاح منحنی سنجه رسوب (مطالعه موردی حوزهآبخیز سد دز) پایاننامه کارشناسی ارشد- دانشکده منابع طبیعی و کویر شناسی دانشگاه یزد گروه آبخیزداری. 89 ص.
کیا، ع. عمادی، ع. فضل اولی، ر. (1394). بررسی امکان کاربرد سیستم استنتاج فازی-عصبی تطبیقی (ANFIS) در برآورد بار رسوب معلق بابلرود. پژوهشنامه مدیریت حوزهآبخیز. سال ششم. شماره 11.
محمدرضاپور، ا. حقیقتجو، پ. زینلی، م ج. (1394). مقایسه الگوریتم ازدحام ذرات و ژنتیک در بهینهسازی ضرایب معادله منحنی سنجه رسوب در برآورد دبی رسوب معلق رودخانه سیستان (مطالعه موردی: ایستگاه کهک). فصلنامه علمی پژوهشی مهندسی آبیاری و آب. سال ششم. شماره 22. ص 89-76.
مساعدی، ا. سعدالدین، ا. زنگنه، م.ا و فرازجو، ح. (1389)، برآورد دبی رسوبات معلق بر اساس معادله سنجهرسوب و عوامل موثر برضرایب آن در حوضه آبریز گرگانرود. مجموعه مقالات نخستین کنفرانس ملی پژوهشهای کاربردی منابع آب ایران. شرکت سهامی آب منطقهای کرمانشاه، 12ص.
مساعدی، ا.، محمدی، ا، نجفی نژاد، ع،. و یغمایی، ف. 1385. بهینهسازی روابط دبی جریان و دبی رسوب معلق در ایستگاههای منتخب حوضه گرگانرود. مجله منابع طبیعی ایران، 59 (2). ص 342-331.
وزارت نیرو، (1391). راهنمای محاسبه بار رسوب معلق و بستر رودخانه، نشریه شماره 590.
یوسفی، م. پورشرعیانی، ر. (1393). برآورد رسوب معلق با استفاده از شبکه عصبی و ارزیابی توابع آموزشی (مطالعه موردی: استان لرستان). پژوهشنامه مدیریت حوزهآبخیز. سال پنجم. شماره 10. ص 96-85.
Alp, M., & Cigizoglu, H. K. 2007. Suspended sediment load simulation by two artificial neural network methods using hydrometeorological data. Environmental Modelling & Software, 22 (1), 2-13.
Altunkaynak, A. 2009. Sediment load prediction by genetic algorithms. Advances in Engineering Software, 40 (9):928-934.
Arab Khedri. M. 2005. A study on the suspended sediment yield in river basins of Iran. Iran-Water Resources Research. 1 (2): 51-60
Asselman, N.E.M. 2000. Fitting and interpretation of sediment rating curves. Journal of Hydrology. 23: 4. 228-248.
Abrahart, R.J., See, L.M., Solomatine, D.P., 2008. Practical Hydroinformatics, Computational Intelligence and TechnologicalDevelopments in Water Applications, Springer.
Bezak, N., Mikoš, M., Šraj, M. 2014. Trivariate Frequency Analyses of Peak Discharge, Hydrograph Volume and Suspended Sediment Concentration Data Using Copulas, Water Resour. Manag. 28(8), 2195-2212.
Ebrahimi, H., E. Jabbari and M. Ghasemi. 2013. Application of Honey-Bees Mating Optimization on Estimation of Suspended Sediment Concentration. World Applied Sciences Journal 22 (11): 1630-1638.
Fleming, G. 1979. Deterministic model in hydrology. IRRIGATION and Drainage paper.32 FAO.Rome, 80p.
Goldberg, D. 1989. Genetic algorithms in search optimization and machine learning. Journal of Hydrology Research. 8:354-361.
Guven, A., & Kişi, Ö. (2011). Daily pan evaporation modeling using linear genetic programming technique. Irrigation science, 29 (2), 135-145.
Holland, J. H. 1975. Adaptation in natural and artificial systems. An introductory analysis with application to biology, control, and artificial intelligence. Ann Arbor, MI: University of Michigan Press.
Jha, S. K., Bombardelli, F. A., 2011. Theoretical/numerical model for the transport of nonuniform suspended sediment in open channels. Adv. Water Resour. 34(5), 577–591.
Kisi, O., Dailr, A. H., Cimen, M., & Shiri, J. 2012. Suspended sediment modeling using genetic programming and soft computing techniques. Journal of Hydrology, 450, 48-58.
Nash, J. E., J. V. Sutcliffe .1970. River flow forecasting through conceptual models, Part I - A discussion of principles, J. Hydrol. 10: 282–290.
Shamaei, E., & Kaedi, M. (2016). Suspended sediment concentration estimation by stacking the genetic programming and neuro-fuzzy predictions. Applied Soft Computing, 45: 187-196.
Talebi, A., Mahjoobi, J., Dastorani, M. T., & Moosavi, V. 2016. Estimation of suspended sediment load using regression trees and model trees approaches (Case study: Hyderabad drainage basin in Iran). ISH Journal of Hydraulic Engineering, 1-8.
Zhang, F. X., Wai, O. W., & Jiang, Y. W. (2010). Prediction of sediment transportation in deep bay (Hong Kong) using genetic algorithm. Journal of Hydrodynamics, Ser. B, 22(5), 599-604.
Zhu, Y.M., X.X. Lu and Y. Zhou. 2007. Suspended sediment flux modeling with artificial neural network: An example of the Longchuanjiang River in the Upper Yangtze Catchment, China. Geomorphology, 84(1): 111-125.
Zounemat-Kermani, M., Kişi, Ö., Adamowski, J., & Ramezani-Charmahineh, A. 2016. Evaluation of data driven models for river suspended sediment concentration modeling. Journal of Hydrology, 535, 457-472.