آمارنامه کشاورزی.، 1394. چاپ دوم، انتشارات تهران. وزرات جهاد کشاورزی، معاونت برنامهریزی و اقتصادی، مرکز فناوری اطلاعات و ارتباطات.
باقری، س.، ش، ایوبی.، م، قیصری. و ن، لوایی. 1391. پیش بینی عملکرد ذرت علوفهای با استفاده از شبکههای عصبی مصنوعی. مجله پژوهشهای تولید گیاهی، جلد نوزدهم، شماره چهارم. ص77-96.
سروش, م.، م، عاشوری. و ا، امیری. 1393. 'تأثیر محلولپاشی روی و نیتروژن بر عملکرد و اجزای عملکرد سویا', مجله علمی- پژوهشی اکوفیزیولوژی گیاهی, 6(19), ص18-29.
صبوری فرد، ح. و قاسم نژاد، ع. 1392. پیشبینی عملکرد بیومس و اسانس و برخی از شاخصهای رشدی گیاه مرزهhortensis Satureia با استفاده از خصوصیات فیزیکی و شیمیایی خاک و شبکه عصبی مصنوعی. پایان نامه دانشکده تولیدات گیاهی، دانشگاه کشاورزی و منابع طبیعی گرگان.
علایی، ا.، ح، بانژاد. م، ت، صمدی. ع، ر، رحمانی. و م، ح، ساقی. 1389. ارزیابی کارایی شبکه عصبی مصنوعی در پیشبینی شاخصهای کیفی (BOD و DO) آب رودخانۀ دره مراد بیک همدان. مجله دانش آب و خاک. جلد1/20 شماره 3.
فرج زاده ذوالبین، ط.، م، عابدینی. و ن، صبور مقدم. 1399. بررسی تأثیرکاربرد سالیسیلیک اسید در تخفیف تنش شوری گیاه گندم با استفاده از شبکه عصبی مصنوعی. پایان نامه کارشناسی ارشد رشته زیست شناسی گیاهی. دانشگاه پیام نور تبریز.
مختاری، م، ح. و ا، نجفی. 1394. مقایسه روشهای طبقهبندی ماشین بردار پشتیبان و شبکه عصبی مصنوعی در استخراج کاربریهای اراضی از تصاویر ماهوارهای لندستTM. مجله علوم و فنون کشاورزی و منابع طبیعی، علوم آب و خاک. 19(72): 35-44.
وردینژاد، و، ر.، م، شبانیان اصل. و س، بشارت 1395. مدلسازی تبخیرتعرق با استفاده از رگرسیون خطی، غیرخطی و شبکه عصبی مصنوعی در گلخانه (مطالعه موردی گیاه مرجع، خیار و گوجه فرنگی). نشریه آب و خاک (علوم و صنایع کشاورزی). (5)30: 1334-1346.
Akbar, A., A. Kuanar, J. Patnaik, A. Mishra, and S. Nayak. 2018. Application of Artificial Neural Network modeling for optimization and prediction of essential oil yield in turmeric (Curcuma longa L.). Computers and Electronics in Agriculture. 148 (2018) 160–178.
Bagheri, S., M. Gheysari, S. Ayoubi, and N. Lavaee. 2012. Silage maize yield prediction using artificial neural networks. J. Pla. Prod. (J. Agric. Sci. Nat. Res.)., 19(4): 77-95.
Ekwu, L.G., G.N. Nwokwu, and E.B. Utobo. 2010. Effect of mulching material and pruning on growth and yield of cucumber. International Journal of Agriculture and Rural Development, 15(2): 1014-1021.
Kaul, M., R. L. Hill, & C. Walthall. 2005 Artificial neural networks for corn and soybean yield prediction. Agricultural Systems 85, 1-18.
Kucukonderi, H., S. Boyaci,and Adil. Akyuz. 2016. A modeling study with an artificial neural network: developing estimation models for the tomato plant leaf area. Turkish Journal of Agriculture and Forestry. (2016) 40: 203-212.
Najah, A., A. El-Shafie, O. A. Karim, O. Jaafar, and H. Amr. 2011. An application of different artificial intelligences techniques for water quality prediction. International Journal of the Physical Sciences Vol. 6(22):5298-5308.
Pelesco, V. A. and F.B. Alagao. 2014. Evapotranspiration Rate of Lettuce (Lactuca sativa L., Asteraceae) in a Non-Circulating Hydroponics System. Journal of Society & Technology 4:1-6.
Quinton, J. 1994. The validation of physically based erosion models. PhD. Thesis, Silsoe College, Cranfield University.
Resh, H.M. 2005. Hydroponic Food Prodution. Woodbring Press, Santa Barrs, CA 288.
Sadras, V.O., and Calviño, P.A. 2001. Quantification of grain yield response to soil depth in soybean, maize, sunflower, and wheat. Agron J. 93: 577–583.
Xin, P.P., J. Hu, H.H. Zhang, J. Zhao, L.N. Wang. and H.P. Guo. 2017. An improved photosynthesis prediction model based on artificial neural networks intended for cucumber growth control. ASABE, Spokane, Washington July 16 - July 19, 2017. doi:10.13031/aim.201700251.