ابراهیمی پاک، ن.، تافته، آ.، اگدرنژاد، ا. و اسدی کپورچال، ص. 1397. تعیین ضرایب تبخیر - تعرق ماهانه گندم زمستانه با استفاده از روشهای مختلف تخمین تبخیر - تعرق و تشت تبخیر در دشت قزوین. نشریه علمیپژوهشی مهندسی آبیاری و آب ایران. 8(4): 107-121.
ستاری، م.، نهرین، ف. و عظیمی، و. 1392. پیشبینی تبخیر - تعرق مرجع روزانه با استفاده از مدل شبکه عصبی مصنوعی و مدل درختی M5 (مطالعه موردی: ایستگاه بناب). مجله آبیاری و زهکشی ایران. 7(1): 104-113.
شرکت مهندسین مشاور کنکاش جاماب . 1387. طرح جامع آب کشور: حوضه آبریز گرگان رود.
صالحی، ح. و شمسالدینی، ع. 1399. ترکیب تصاویر مادیس و سنتینل-2 بهمنظور تهیه نقشههای تبخیر - تعرق روزانه باقدرت تفکیک مکانی 10 متر. نشریه آبیاری و زهکشی ایران. 14(6): 1881-1892.
صحراگرد، س.، ناصری، ع.، الباجی، م. و کابلی زاده، م. 1399. برآورد تبخیر و تعرق واقعی با الگوریتم توازن انرژی سطحی سبال و تصاویر تلفیق شدة ماهوارهای لندست 8 و سنتینل 2 (مطالعه موردی: کشت و صنعت نیشکر میرزا کوچکخان). مجله آبیاری و زهکشی ایران. 14(1): 156-167.
عنابی میلانی، ا. و نیشابوری، م. 1397. مقایسه برخی روابط تجربی برآورد تبخیر - تعرق مرجع برای دشت تبریز با استفاده از لایسیمتر و ارائه مدلی برای تعیین آن از روی دادههای هواشناسی. دانش آبوخاک (دانش کشاورزی). 28(1): 41-54.
فلاح قالهری، غ.، باعقیده، م. و رضایی، ح. 1395. برآورد نیاز آبی محصول سیبزمینی در اقلیم تربتحیدریه و تخمین تبخیرتعرق واقعی بر اساس تبخیرتعرق مرجع. نشریه انسان و محیطزیست. 37: 49-60.
کمالی، م. ا.، فرید حسینی، ع.، انصاری، ح. و غلامی سفیدکوهی، م. ع. 1397. تعیین نیاز آبی و ضریب گیاهی ذرت با استفاده از دادههای سنجشازدور و الگوریتم سبال. نشریه آبیاری و زهکشی ایران. 12(1): 25-39
Aguirre-García, S.-D., Aranda-Barranco, S., Nieto, H., Serrano-Ortiz, P., Sánchez-Cañete, E.-P. and Guerrero-Rascado, J.-L. 2021. Modelling actual evapotranspiration using a two source energy balance model with Sentinel imagery in herbaceous-free and herbaceous-cover Mediterranean olive orchards. Agricultural and Forest Meteorology. 311:108692. doi: 10.1016/j.agrformet.2021.108692.
Allen, R. G., Pereira, L. S., Raes, D. and Smith, M. 1998. FAO Irrigation and drainage paper No. 56. Food and Agriculture Organization of the United Nations. p.17.
Chicco, D., Warrens, M.J. and Jurman, G. 2021. The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation. PeerJ Computer Science. 5(7):e623. doi: 10.7717
ESA Sen-ET. 2020. "ESA Sen-ET." ESA Sen-ET. https://www.esa-sen4et.org/.
Guzinski, R., Nieto, H., Sandholt, I. and Karamitilios, G. 2020. Modelling High-Resolution Actual Evapotranspiration through Sentinel-2 and Sentinel-3 Data Fusion. Remote Sensing. 12(9):1433. doi: 10.3390/rs12091433.
Mancino, G., Ferrara, A., Padula, A. and Nolè, A. 2020. Cross-Comparison between Landsat 8 (OLI) and Landsat 7 (ETM+) Derived Vegetation Indices in a Mediterranean Environment. Remote Sensing. 12(2):291. doi: 10.3390/rs12020291.
Mueller, M. M., Dubois, C., Jagdhuber, T., Hellwig, F. M., Pathe, C., Schmullius, C., and Steele-Dunne, S. 2022. Sentinel-1 Backscatter Time Series for Characterization of Evapotranspiration Dynamics over Temperate Coniferous Forests. Remote Sensing. 16;14(24):6384. doi: 10.3390/rs14246384.
Phiri, D., Simwanda, M., Salekin, S., Nyirenda, V.R., Murayama, Y. and Ranagalage, M. 2020. Sentinel-2 Data for Land Cover/Use Mapping. A Review. Remote Sensing. 12(14): 2291. https://doi.org/10.3390/rs12142291
Singh, R., Khand, K., Kagone, S., Schauer, M., Senay, G. and Wu, Z. 2020. A novel approach for next-generation water-use mapping using Landsat and Sentinel-2 satellite data. Hydrological Sciences Journal. 65(14):2508-19. doi: 10.1080/02626667.2020.1817461.
Vanino, S., Nino, P., De Michele, C., Bolognesi, S. F., D'Urso, G., Di Bene, C., Pennelli, B., Vuolo, F., Farina, R., Pulighe, G. and Napoli, R. 2018. Capability of Sentinel-2 data for estimating maximum evapotranspiration and irrigation requirements for tomato crop in Central Italy. Remote Sensing of Environment. 15(215): 452-470. doi: 10.1016/j.rse.2018.06.035