امامی، س و چوپان، ی. 1398. کاربرد الگوریتم رقابت استعماری در تخمین مقادیر بار معلق رسوبی. مجلهی هیدروژئولوژی. 1.4: 79-70.
خورشید دوست، ع. م.، فیضاللهپور، م و صدرافشاری، س. 1394. ارزیابی قابلیت مدل سیستم استنتاجی فازی عصبی (ANFIS) در تخمین مقادیر بار معلق رسوبی و مقایسه آن با دو نوع از مدلهای شبکهی عصبی مصنوعی. مجلهی جغرافیا و توسعه، 41: 185-200.
دهقانی، ا. ا.، زنگانه، م. ا.، مساعدی، ا و کوهستانی، ن. 1388. مقایسه تخمین بار معلق به دو روش منحنی سنجه رسوب و شبکه عصبی مصنوعی. مجله علوم کشاورزی و منابع طبیعی. 16: 36-51.
دهقانی، ا. ا.، محمدی، م.، م و هزارجریبی، ا. 1389. تخمین رسوب معلق رودخانه بهشتآباد با استفاده از شبکه عصبی مصنوعی. مجله پژوهشهای حفاظت آب و خاک. 17: 168-159.
رستگار، ح و حبیبی، م. 1390. ارزیابی پنج روش برآورد رسوب در رودخانه جگین در استان هرمزگان. مهندسی و مدیریت آبخیز. 3(3).
فغفوری، ز.، آرمان، ن.، فرجی، م و خرسندی، ز. 1396. تعیین عوامل مؤثر بر رسوبدهی با استفاده از روشهای آماری (مطالعه موردی: حوضه سیدآباد). مجله مهندسی و مدیریت آبخیز. 9(2): 190-204.
قربانی، م. ع و دهقانی، ر. 1396. مقایسه روشهای شبکه عصبی بیزین و شبکه عصبی مصنوعی در تخمین رسوبات معلق رودخانهها )مطالعه موردی: سیمینهرود(. مجله علوم و تکنولوژی محیط زیست. 19(2).
میرباقری، س. ا و رجائی، ط. 1383. تخمین بار معلق رودخانه زهره با استفاده از شبکه عصبی مصنوعی. اولین کنگره ملی مهندسی عمران، دانشگاه صنعتی شریف.
محمدرضاپور، ا. ا.، حقیقتجو، پ. و زینلی، م. ج. 1394. مقایسه الگوریتم ازدحام ذرات و ژنتیک در بهینه سازی ضرایب معادله منحنی سنجه رسوب در برآورد دبی رسوب معلق رودخانه سیستان؛ مطالعه موردی ایستگاه کهک. نشریه آبیاری و آب ایران. 2.6: 89-76.
ستاری، م. ت.، رضازاده جودی، ع.، صفدری، ف. و قهرمانیان، ف. 1395. ارزیابی عملکرد روشهای مدل درختی M5 و رگرسیون بردار پشتیبان در مدلسازی رسوب معلق رودخانه. نشریه حفاظت منابع آب و خاک، 1.6: 124-109.
Nagy, H. M., Watanabe, K. and Hirano, M. 2002. Prediction of Sediment Load Concentration in Rivers using Artificial Neural Network Model, Journal of Hydraulic Engineering. 128.6: DOI:
10.1061/(ASCE)0733-9429(2002)128:6(588).
Ebrahimi, H., Jabbari, E. and Ghasemi, M. 2013. Application of Honey-Bees Mating Optimization algorithm on Estimation of Suspended Sediment Concentration. World Applied Sciences Journal. 22.11: 1630-1638.
Mirjalili, S. Mirjalili, S. M. and Lewis, A. 2014. Grey wolf optimizer. Advances in Engineering Software, 69.92: 46-61.
Mech, L. D. 1999. Alpha Status, Dominance, and Division of Labor in Wolf Packs. Canadian Journal of Zoology. 77.8: 1196-1203.
Muro, C., Escobedo, R., Spector, L. and Coppinger, R. 2011. Wolf-pack (Canis Lupus) Hunting Strategies Emerge from Simple Rules in Computational Simulations, Behavioural Processes, 88.3: 192-197.
Emami, H. and Derakhshan, F. 2015. Election algorithm: A new socio-politically inspired strategy. AI Communications. 28: 591–603.
Goldberg, D. E. 1989. Genetic algorithms in search, optimization and machine learning. Addison – Nesley, pub. Co.
Kisi, O. 2005. Suspended sediment estimation using neuro-fuzzy and neural network approaches. Hydrological sciences journal. 50.4: 683-696.
Kisi, O. 2009. Evolutionary fuzzy models for river suspended sediment concentration estimation. Journal of Hydrology. 372.1-4: 68-79.
Kisi, O. 2008.Constructing neural network sediment estimation models using a data-driven algorithm. Math. Comput. Simult. 79.1: 94-103.
Kisi, O. 2016. A new approach for modeling suspended sediment: Evolutionary fuzzy approach. Hydrology and Earth System Sciences Discussions. Doi: 10.5194/hess-2016.