جهانشاهی، ا. و ع. مقدمنیا. 1390. پیشبینی تراز آب زیرزمینی با استفاده از شبکههای عصبی مصنوعی (مطالعه موردی دشت شهربابک استان کرمان). دومین کنفرانس مدیریت و برنامهریزی محیط زیست، دانشگاه تهران، دانشکده محیط زیست.
چاهکوتاهی، ف. و م. خاشعی. 1398. پیشبینی بار الکتریکی با بکارگیری مدلهای ترکیبی پرسپترونهای چندلایه و خودرگرسیون میانگین متحرک انباشته فصلی. روشهای هوشمند در صنعت برق، سال دهم، شماره چهل، ص 44-35.
حبیبی، م. ح.، ع. ندیری، ا. اصغری مقدم. 1394. ارائه مدل ترکیبی ژنتیک-کریجینگ برای پیشبینی زمانی و مکانی سطح آب زیرزمینی (مطالعه موردی: دشت هادیشهر). تحقیقات منابع آب ایران، سال یازدهم، شماره 3، ص 85-99.
حداد، ع. و ا. خراسانی. 1398. اثر تغییرات سطح آب زیرزمینی بر فرونشست دشت سمنان. علوم زمین، سال بیست و هشتم، شماره 112، ص 190-181.
حسنیپاک، ع. ا. 1377. زمینآمار. انتشارات دانشگاه تهران.
دهقانی، ا. ا.، م. عسگری و ا. مساعدی. 1388. مقایسه سه روش شبکه عصبی مصنوعی، سیستم استنتاجی فازی-عصبی تطبیقی و زمین آمار در میانیابی سطح آب زیرزمینی (مطالعه موردی دشت قزوین). مجله علوم کشاورزی و منابع طبیعی، جلد شانزدهم، ویژهنامه 1-ب، 536-517.
دهقانی، ر. و ع. نورعلیئی. 1395. مقایسه روشهای زمین آمار و شبکه عصبی مصنوعی در تخمین سطح آب زیرزمینی (مطالعه موردی: دشت نورآباد، استان لرستان). فصلنامه علوم و تکنولوژی محیط زیست، دوره هجدهم، شماره 1، 44-33.
رمضانی چرمهینه، ع. و م. ذونعمت کرمانی. 1396. بررسی کارایی روش های رگرسیون بردار پشتیبان، شبکه عصبی پرسپترون چندلایه و رگرسیون خطی چندمتغیره به منظور پیشبینی تراز سطح آب زیرزمینی (مطالعه موردی: دشت شهرکرد). پژوهشنامه مدیریت حوزه آبخیز، دوره 8، شماره 15، ص 12-1.
سمنان، شرکت مدیریت منابع آب ایران، شرکت سهامی آب منطقهای سمنان.
طباطبائی، س. ح. و م. غزالی. 1390. ارزیابی دقت روشهای میانیابی در تخمین سطح ایستابی آب زیرزمینی (مطالعه موردی: آبخوانهای فارسان ، جونقان و سفید دشت). مجله علوم و فنون کشاورزی و منابع طبیعی، سال پانزدهم، شماره پنجاه و هفتم، ص 22-11.
کارآموز، م. و ش. عراقینژاد. 1389. هیدرولوژی پیشرفته. انتشارات دانشگاه صنعتی امیرکبیر.
کماسی، م.، ح. گودرزی و ا. بهنیا. 1396. بررسی روند نوسانات مکانی-زمانی سطح ایستابی آبهای زیرزمینی به روش ماشین بردارپشتیبانSVM)) و کریجینگ (kriging)(مطالعه موردی دشت سیلاخور). نشریه پژوهشهای حفاظت آب و خاک، جلد24، شماره 4، ص 209-195.
کیا، س.م. 1390. شبکههای عصبی در MATLAB . تهران، انتشارات کیان رایانه سبز.
محمدی، م.، ح. کرمی، س. فرزین و ع. ر. فرخی. 1396. پیشبینی بارش ماهانه بر اساس سیگنالهای بزرگ مقیاس اقلیمی با به کارگیری مدلهای هوشمند و رگرسیون خطی چندگانه )مطالعۀ موردی: ایستگاه سینوپتیک سمنان(. اکو هیدرولوژی، دوره 4، شماره 1، ص 214-201.
منهاج، م.ب. 1381. مبانی شبکههای عصبی و هوش محاسباتی. انتشارات دانشگاه صنعتی امیرکبیر.
نیکمنش، م.ر. 1390. کاربرد روشهای تلفیقی هوش مصنوعی در پیشبینی تراز آب زیرزمینی دشت خرامه مرودشت فارس. چهارمین کنفرانس مدیریت منابع آب ایران، اردیبهشت 1390، دانشگاه صنعتی امیرکبیر.
Anderson, J. A. 1995. An introduction to neural networks. MIT, Cambridge.
Box, G. E. P & G. M. Jenkins. 1970. Time series analysis: Forecasting and control. San Francisco: Holden-day.
Chang, F. J & Y. T. Chang. 2005. Adaptive neuron-fuzzy inference system for prediction of water level in reservoir. Advances in Water Resources, 29(1): 1-10.
Chen, S. H., Y. H. Lin, L. C. Chang & F. J. Chang. 2006. The strategy of building a flood forecast model by neuro fuzzy network. Hydr Proc 20: 1525–1540.
Daliakopoulos, I. N., P. Coulibaly & I. K. Tsani. 2008. Improving groundwater level forecasting with a feed forward neural network and linearly regressed projected precipitation. Journal of hydroinformatics 10(4): 317-330.
Das, U. K., P. Roy & D. K. Ghose. 2019. Modeling water table depth using adaptive Neuro-Fuzzy Inference System. ISH Journal of Hydraulic Engineering, 25(3): 291-297.
Dibike, Y.B., D. Solomatine and M. B. Abbott. 1999. On the encapsulation of numerical-hydraulic models in artificial neural network, Journal of Hydraulic Research, 37(2): 147-161.
Jang, J. S. R, C. T. Sun and E. Mizutani. 1997. Neurofuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence. Prentice-Hall, New Jersey.
Jang, J. S. R. 1993. ANFIS: adaptive-network-based fuzzy inference system. IEEE Transactions on System Management and Cybernetics 23(3): 665-685.
Mason, J.C., R. K. Price and A. Temme. 1996. A neural network model of rainfall- runoff using radial basis functions. J. of Hydraulic Research, 34: 537-548.
Mirarabi, A., H. R. Nassery, M., Nakhaei, J., Adamowski, A. H. Akbarzadeh & F. Alijani. 2019. Evaluation of data-driven models (SVR and ANN) for groundwater-level prediction in confined and unconfined systems. Environmental Earth Sciences, 78(15): 489.
Moghaddamnia, A., R. Remesan, M. Hassanpour Kashani, M. Mohammadi, D. Han & J. Piri. 2009. Comparison of LLR, MLP, Elman, NNARX and ANFIS modelswith a case study in solar radiation estimation. J. Atmos. Sol.-Terr. Phys. 71, 975–982.
Mokhtarzad, M., F. Eskandari, N. J. Vanjani & A. Arabasadi. 2017. Drought forecasting by ANN ANFIS and SVM and comparison of the models. Environ Earth Sci 76(21): 729.
Murphy, R. R., F. C. Curriero, W. P. Ball and M. Asce. 2010. Comparison of spatial interpolation methods for water quality evaluation in the chesapeake bay. Journal of Environmental Engineering, 136: 160-171.
Platt, J. C. 1999. Fast training of support vector machines using sequential minimal optimization. In: Sch olkopf B, Burges CJC, Smolar AJ (eds) Advances in Kernel methods—support vector learning. MIT Press, Cambridge.
Porte, P., R. K. Isaac, K. Kiran & S. Mahilang. 2018. Groundwater level prediction using artificial neural network model. Int. J. Curr. Microbiol. Appl. Sci, 7(02): 2947-2954.
Shiri, J., O. Kisi, H. Yoon, K. K. Lee & A. H. Nazemi. 2013. Predicting groundwater level fluctuations with meteorological effect implications- A comparative study among soft computing techniques. Comput Geosci 56: 32– 44.
Smola, J. Alex & B. Scholkopf. 1998. A tutorial on support vector regression. Royal Holloway College, London, UK, NeuroCOLT, Technical Report Series.
Smola. 1996. Regression estimation with support vector learning machines.
Sujatha, P & G. N. Kumar. 2007. Prediction of water level using different artificial neural network architetures and algorithms. current science, 93(4): 732-739.
Vapnik, V. N. 1998. Statistical Learning Theory, 1st edn. John Wiley, New York.
Woo, S. M., H. Kim & S. S. Chirayath. 2020. Influence of the spatial Pu variation for evaluating the Pu content in spent nuclear fuel using Support Vector Regression. Annals of Nuclear Energy, 135: 106997.
Yoon, H., S. C. Jun, Y. Hyun, G. O. Bae & K. K. Lee. 2011. A comparative study of artificial neural networks and support vector machines for predicting groundwater levels in a coastal aquifer. Journal of Hydrology, 396(1-2): 128-138.