ارزیابی عملکرد شبکۀ عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM) در تخمین مقادیر روزانۀ تبخیر (مطالعۀ موردی: ایستگاه‌های هواشناسی تبریز و مراغه)

اسکندری، ع.؛ نوری، ر.؛ معراجی، ح. و کیاقادی، ا. (1390). توسعة مدلی مناسب بر مبنای شبکة عصبی مصنوعی و ماشین بردار پشتیبان برای پیش‏بینی به هنگام اکسیژن‏خواهی بیوشیمیایی 5 روزه، محیط‏شناسی، 38(61): 71ـ82.

بامری، م. (1393). برآورد تبخیر استان سیستان و بلوچستان به روش رگرسیون خطی و شبکة عصبی مصنوعی، پایان‌نامة کارشناسی ارشد مهندسی آب، دانشکدة آب و خاک دانشگاه زابل.

زارع ابیانه، ح.؛ نوری، ح.؛ لیاقت، ع.؛ نوری، ح. و کریمی، و. (1390). مقایسة روش پنمن مانتیث فائو و تشت تبخیر کلاس A با داده‏های لایسیمتری در برآورد تبخیر و تعرق گیاه برنج در منطقة آمل، پژوهش‏هایجغرافیایطبیعی، 76: 71ـ83.

علیزاده، ا. (1390). اصولهیدرولوژیکاربردی، چ 33، مشهد: انتشارات دانشگاه امام رضا.

عیسی‏زاده، م. (1394). تخمین جریان رودخانة زرینه‏رود با استفاده از مدل‏های هیبریدی فراکاوشی، پایان‌نامة کارشناسی ارشد مهندسی آب، دانشکدة کشاورزی، دانشگاه تبریز.

نجفی، ا.؛ صفاری، ا.؛ قنواتی، ع. و کرم، ا. (1394). شبیه‏سازی و تحلیل دبی‏های حداکثر لحظه‏ای با استفاده از شبکة عصبی مصنوعی (مطالعة موردی: ایستگاه‏های هیدرومتری هفت حوض، سولقان، قلاک، و مقصودبیک در کلان‌شهر تهران)، پژوهش‏هایژئومورفولوژیکمی، 4(1): 90ـ103.

Alizadeh, A. (2011). The principle of applied hydrology, Imam Reza Publication, Mashhad (In Persian).

ASCE Task Committee on Application of Artificial Neural Networks in Hydrology (2000). Artificial neural networks in hydrology, I: preliminary concepts, Journal of Hydrologic Engineering,  5(2): 115-123.

Bamri, M. (2014). Evaporation estimation of Sistan and Baluchestan province using linear regression method and artificial neural network, Water Engineering master's thesis, Supervisor doctor Parviz Haghighatjoo, water and soil Faculty of the University of Zabol (In Persian).

Baofeng, G.; Gunn, S.R.; Damper, R.I. and Nelson, J.D.B. (2008). Customizing kernel Functions for SVM-based hyperspectral image classification, IEEE Transactions on Image Processing, 17(4): 622-629.

Basak, D.; Pal, S. and Patranabis, D.C. (2007). Support vector regression, Neural Inf. Process, 11: 203-225.

Bruton, J.M.; McClendon, R.W. and Hoogenboom, G. (2000). Estimating daily pan evaporation with artificial neural network, Trans. ASAE, 43(2): 492-496.

Dibike, Y.; Velickov, S.; Solomatine, D. and Abbott, M. (2001). Model induction with of support vector machines: Introduction and applications, Journal of Computing in Civil Engineering, 15(3): 208-216.

Eskandari, A.; Nouri, R.; Meraji, H. and Kiaghadi, A. (2012). Development of appropriate model based on artificial neural network and support vector machine for forecasting 5-Days Biochemical Oxygen Demand (BOD5), Journal of Ecology, 61: 71-82 (In Persian)

Fletcher, R. (1987). Practical methods of optimization, Wiley, New York. 456p.

Kavzoglu, T. and Colkesen, I. (2009). A kernel functions analysis for support vector machines for land cover classification, International Journal of Applied Earth Observation and Geoinformation, 11(5): 352-359.

Kim, S. and Kim, HS. (2008). Neural networks and genetic algorithm approach for nonlinear evaporation and evapotranspiration modeling, Journal of Hydrology, 351: 299-317.

Kisi, O. (2009). Modeling monthly evaporation using two different neural computing, Techniques Irrigation Science, 27(5): 417-430.

Kisi, O. (2016). Pan evaporation modeling using least square support vector machine, multivariate adaptive regression splines and M5 model tree, Journal of Hydrology, 528: 312-320.

Liu, G.Q. (2011). Comparison of regression and ARIMA models with Neural Network models to forecast the daily stream flow, PhD thesis, University of Delaware, 545p.

Liu, S.; Bai, J.; Jia, Z.; Jia, L.; Zhou, H. and Lu, L. (2010). Estimation of evapotranspiration in the Mu Us Sandland of China, Hydrology and Earth System sciences, 14: 573-584.

Misra, D.; Oommen, T.; Agarwal, A. and Mishra, S.K. (2009). Application and analysis of support vector machine based simulation for runoff and sediment yield, Journal of Bio Systems Engineering, 103 (9): 527-535.

Moghaddamnia, A.; Ghafari Gousheh, M.; Piri, J.; Amin, S. and Han, D. (2009). Evaporation estimation using artificial neural networks and adaptive neuro-fuzzy inference system techniques, Advances in Water Resources, 32(1): 88-97.

Najafi, A.; Safari, A.; Ghanavati, A. And Karam, A. (2015). Simulation and analysis of maximum instantaneous flows using artificial neural network (Case study: hydrometric stations of Haft Hoz, Soghalan, Ghalak and Maghsod Beg in Tehran, Quantitative Geomorphological Researches, 4(1): 90-103 (In Persian).

Nourani, V. and Sayyah Fard, M. (2012). Sensitivity analysis of the artificial neural network outputs in simulation of the evaporation process at different climatologic regimes, Advances in Engineering Software, 47: 127-146.

Piri, J.; Amin, S.; Moghaddamnia, A.; Keshavarz, A.; Han, D. and Remesan, R. (2009). Daily pan evaporation modeling in a hot and dry climate, Journal of Hydrologic Engineering, 14(8): 803-811.

Tabari, H.; Marofi, S. and Sabziparvar, A.A. (2010). Estimation of daily pan evaporation using artificial neural network and multivariate non-linear regression, Irrigation Sciences, 28: 399-406.

Terzi, O. and Erol Keskn, M. (2005). Modeling of daily pan evaporation, Journal of Applied Sciences, 5(2): 368-372.

Tezel, G. and Buyukyildiz, M. (2015). Monthly evaporation forecasting using artificial neural networks and support vector machines, Theoretical and Applied Climatology.

Vapnik, V. and Chervonenkis, A. (1991). The necessary and sufficient conditions for consistency in the empirical risk minimization method, Pattern Recognition and Image Analysis, 1(3): 283-305.

Zare Abyaneh, H.; Nori, H.; Liyaghat, A.; Nori, A. and Karimi, V. (2011). Compare Penman-Monteith method and pan class A by lysimeter data to estimate evapotranspiration of rice plant in the Amol region, Physical Geography Research Quarterly, 76: 71-83 (In Persian).

Zealand, C.M.; Burn, D.H. and Simonovic, S.P. (1999). Short term stream flow forecasting using artificial neural networks, Journal of Hydrology, 214: 32-48.