احمدزاده قره گویز، ک.، میرلطیفی، س. م. و محمدی، ک. 1389. مقایسه سیستمهای هوش مصنوعی (ANN و ANFIS) در تخمین میزان تبخیر-تعرق گیاه مرجع در مناطق بسیار خشک ایران. نشریه آب و خاک. 24(4): 679-689.
بختیاری، ب.، محبی دهاقانی، ع. و قادری، ک. 1394. برآورد تبخیر تعرق مرجع روزانه با حداقل دادههای هواشناسی در اقلیمهای نیمهخشک منتخب ایران. تحقیقات منابع آب ایران. 11(3): 131-144.
حقی زاده، ع.، یوسفی، ح.، ابراهیمیان، ط. و یاراحمدی، ی. 1398. مقایسه مدل هیبریدی ANFIS-PSO و مدل تجربی تورک در تخمین تبخیر و تعرق مرجع (مطالعه موردی: پلدختر-لرستان). اکوهیدرولوژی. 6(3): 685-694.
دهقانی، ن.، وفاخواه، م. و بهرهمند، ع. 1395. مدلسازی بارش- رواناب با استفاده از شبکه عصبی مصنوعی و شبکه فازی- عصبی تطبیقی در حوزه آبخیز کسیلیان. پژوهشنامه مدیریت حوزه آبخیز. 7(13): 128-137.
ذرتی پور، ا.، نیسی، ل.، گلابی، م.، بزاز، ا. و ذرتی پور، ا. 1398. شبیهسازی و مقایسهی تبخیر و تعرق پتانسیل به روشهای شبکه عصبی مصنوعی، نرو فازی و درخت تصمیمگیری M5 (مطالعه موردی؛ ایستگاه سینوپتیک شیراز). تحقیقات منابع آب ایران. 15(1): 365-371.
سبزی پرور، ع.، و بیات ورکشی، م. 1389. ارزیابی دقت روشهای شبکه عصبی مصنوعی و عصبی- فازی در شبیهسازی تابش کل خورشیدی. مجله پژوهش فیزیک ایران. 10(4): 347-357.
طاووسی، ت.، خواجه امیری خالدی، چ. و سالاری قنودی، م. ر. 1399. بازنگری طبقهبندی اقلیمی کشور ایران بر پایه متغییرهای اقلیمی. نشریه مدیریت بیابان. 16: 17-36.
فقیه، ه. 1394. ارزیابی شبکه عصبی مصنوعی و مدلهای فیزیکی تجربی تخمین تبخیر- تعرق گیاه مرجع در آب و هوای نیمهخشک. نشریه دانش آب و خاک. 25(2): 137-152.
قره خانی، م. ندیری، ع. ا. و اصغری مقدم، ا. 1396. استفاده از مدل هوش مصنوعی مرکب نظارتشده برای بهبود مدل دراستیک (مطالعه موردی: آبخوان دشت اردبیل). علوم زمین. 26(104): 113-124.
کریمی، س.، شیری،ج. و ناظمی،ا. ح. 1392. تخمین تبخیر و تعرق روزانه گیاه مرجع با استفاده از سیستمهای هوش مصنوعی (ANN و ANFIS) و معادلههای تجربی. نشریه دانش آب و خاک. 23(2): 139-158.
کریمی پور، ا. و بنی طالبی، گ. 1399. تحلیل حساسیت دادههای هواشناسی در برآورد تبخیر و تعرق مرجع با حداقل دادههای هواشناسی با استفاده از مدلهای موجک- عصبی- فازی، ANN و ANFIS. نشریه حفاظت منابع آب و خاک. 9(3): 47-71.
معدنچی، پ.، شاهدی، ک.، حبیب نژاد، م.، سلیمانی، ک. وفاتحی مرج، ا. 1398. پهنهبندی خشکسالیهای اقلیمی و بزرگی خشکسالی با استفاده از شاخص SPI و روش زمینآمار کریجینگ (مطالعه موردی: استان کرمان). نشریه علمی پژوهشی مهندسی آبیاری و آب ایران. 10(38): 205-228.
معروف پور، س.، معروف پور، ع. و ثانی خانی، ه. 1396. شبیهسازی تخیر-تعرق ماهانه بدون دادههای اقلیمی با استفاده از محاسبات نرم در غرب و شمال غرب ایران. مجله مهندسی منابع آب. 10(34): 37-50.
Algretawee H. and Alshama GH. 2021. Modeling of Evapotranspiration (ETo) in a Medium Urban Park within a Megacity by Using Artificial Neural Network (ANN) Model. Periodica Polytechnica Civil Engineering, https://doi.org/10.3311/PPci.18187.
Allen RG., Pereira LS., Raes D. and Smith M. 1998. Crop evapotranspiration. Guide lines for computing crop evapotranspiration. FAO Irrigation and Drainage Paper No 56. Rome, Italy.
Balmat J. F., Lafont F., Moussa Ali A., Pessel N. and Fernandez J., C., R. 2019. Proceedings of the 3rd International Conference on Machine Learning and Soft Computing. Pages 203– 05. https://doi.org/10.1145/3310986.3310987
Gonzalez del Cerro R. T., Subathra M. S. P., Kumar N. M., Verrastro S. and George S. TH. 2021. Modelling the daily reference evapotranspiration in semi-arid region of South India: A case study comparing ANFIS and empirical models. Information Processing in Agriculture. 8(1): 173-184.
Shiri J., Dierickx W., Pour-Ali Baba A., Neamati S. and Ghorbani MA. 2011. Estimating daily pan evaporation from climatic data of the State of Illinois, USA using adaptive neuro-fuzzy inference system (ANFIS) and artificial neural networks (ANN). Hydrology Research. 42(6): 491-502