شبیه‌سازی فرایند بارش- رواناب با استفاده از شبکة عصبی- مصنوعی و سیستم فازی عصبی تطبیقی و رگرسیون چندمتغیره (مطالعة موردی: حوضة آبخیز خرم‌آباد)

[1].        فتح‌آبادی ابوالحسن، 1387، پیش‌بینی دبی رودخانه با استفاده از روش­های نوروفازی و مدل­های سری­های زمانی، علوم و مهندسی آبخیزداری ایران، سال دوم، شمارۀ 5:  30-21.

[2].        هنر تورج، ترازکار محمد حسن، و طرازکار محمدرضا، 1389، برآورد ضریب دبی سرریزهای جانبی با استفاده از سیستم استنتاج فازی– عصبی (ANFIS)، پژوهش­های حفاظت آب و خاک، جلد هفدهم، شمارۀ 2: 176-169.

[3].       عراقی‌نژاد، شهاب؛ کارآموز، محمد، 1384، پیش‌بینی بلند‌مدت رواناب با استفاده از شبکه‌های عصبی مصنوعی و سیستم استنتاج فازی، تحقیقات منابع آب ایران، جلد 1، شمارۀ 2: 100-88.

[4].       نورانی، وحید؛ کی­نژاد، محمدعلی؛ ملکانی، لیلا، 1388، استفاده از سیستم فازی- عصبی تطبیقی در مدلسازی بارش- رواناب، نشریۀ مهندسی عمران و محیط زیست، جلد 39، شمارۀ 4: 81-75

[5].              نبی­زاده، مرتضی؛ مساعدی، ابوالفضل؛ حسام، موسی؛ دهقانی امیراحمد، 1391، مقایسۀ عملکرد مدل­های مبتنی بر منطق فازی در پیش‌بینی آبدهی روزانه رودخانة لیقوان، مجلۀ پژوهش­های حفاظت آب و خاک، جلد 19، شمارۀ 1: 134-117.

[6].       زارع ابیانه، حمید؛ بیات ورکشی، مریم؛ 1390، ارزیابی مدل­های هوشمند عصبی و تجربی در تخمین رواناب سالانه، نشریۀ آب و خاک (علوم و صنایع کشاورزی)، جلد 25، شمارۀ 2: 379-365.

[7].       احمدزاده قره گویز، کاوه؛ میرلطیفی، سید مجید؛ محمدی، کوروش، 1389، مقایسه سیستم های هوش مصنوعی (ANFIS و ANN) در تخمین میزان تبخیر و تعرق گیاه مرجع در مناطق بسیار خشک ایران، نشریۀ آب و خاک، جلد 26، شمارۀ 4: 689-679.

[8].              سماعی رشتی­زند، 1386، بارش‌های مولد سیل در حوضة آبخیز خرم‌آباد، پایان‌نامۀ کارشناسی ارشد، دانشگاه آزاد اسلامی، واحد خرم‌آباد: 102.

[9]. Kurtulus, B. and M. Razack, 2010. Modeling daily discharge responses of a large karstic aquifer using soft computing methods: artificial neural network and neurofuzzy. Journal of Hydrology, 381: 101-111.

[10].            Conrads, P.A., et al, 1999, Comparing physics–based and neural network models for simulating salinity, temperature and dissolved oxygen in a complex, tidally affected river basin proceeding of the South Carolina environmental conference, South Carolina, Unites state.

[11].            Rajurkar, M.P., U.C. Kothyari and U.C. Chube. 2004. Modeling of the daily rainfall-runoff relationship with artificial neural network. Journal of Hydrology, 285(4): 96-113.

[12].            Firat, M. and M. Gungor. 2007. River flow estimation using adaptive neuro-fuzzy inference system. Mathematics and Computers in Simulation, 75(3-4): 87-96.

[13].            Dorum, A., Yarar, A., Faik Sevimli, M and Onüçyildiz, M., 2010. Modelling the rainfall–runoff data of Susurluk basin, Expert Systems with applications, 37(9): 6587-6593.

[14].            Kisi, O., Shiri and J., Tombul, M., 2012. Modeling rainfall-runoff process using soft computing techniques, Computers & Geosciences, 51: 108-117.

[15].            Bhatia, N., Sharma, L., Srivastava, S., Katyal, N., Srivastav, R., 2013. Streamflow Decomposition Based Integrated ANN Model, Open Journal of Modern Hydrology, 3: 15-19.

[16].            Vafakhah, M., 2012. Application of artificial neural networks and adaptive neuro-fuzzy inference system models to short-term stream flow forecasting, Canadian Journal of Civil Engineering, 39(4): 402-414.

[17].            Jang, J. S. R., Sun, C. T. and Mizutani, E. 1997. "Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence".