اکبرزاده،ف.، حسن پور،ح.، امام قلی زاده،ص. 1395. پیشبینی تراز آب زیرزمینی دشت شاهرود با استفاده از شبکه عصبی مصنوعی تابع پایه شعاعی. دانشگاه علوم کشاورزی و منابع طبیعی ساری پژوهشنامه مدیریت حوزه آبخیز. 7. 13: 118-104.
آذری،آ. 1392. شبیهسازی و بهینهسازی چند منظوره برای مدیریت بهرهبرداری تلفیقی منابع آب در شرایط برهم کنش آب سطحی و زیرزمینی با استفاده از روش الگوریتم ژنتیک (مطالعه موردی: دشت دز). پایان نامه دکتری، دانشگاه شهید چمران اهواز.
پورمحمدی،س.، ملکی نژاد،ح.، پورشرعیاتی،ر. 1392. مقایسه کارایی روشهای شبکه عصبی و سریهای زمانی در پیشبینی سطح آب زیرزمینی (مطالعه موردی: زیرحوزه بختگان استان فارس). نشریه پژوهشهای حفاظت آب و خاک گرگان. 20. 4: 26-251.
خاشعی سیوکی،ع.، قهرمان،ب.، کوچکزاده،م. 1392. مقایسه مدلهای شبکه عصبی مصنوعی، ANFIS و رگرسیونی در برآورد سطح ایستابی آبخوان دشت نیشابور. نشریه آبیاری و زهکشی ایران. 7. 1: 22-10.
زارعی،ح.، آخوندعلی،ع.م.1386. مقایسه روشهای زمین آماری و آمار کلاسیک در ترسیم هیدروگراف واحد آب زیرزمینی. طرح پژوهشی سازمان آب و برق خوزستان، ص71.
ستودهپور،م.، فریدونی،م. 1393. شبیهسازی تراز آب زیرزمینی با استفاده از مدلهای فازی عصبی و مقایسه آن با مدلهای سری زمانی (مطالعه موردی: دشت جم). پانزدهمین کنفرانس دانشجویان عمران سراسر کشور، ارومیه، انجمن علمی دانشجویی عمران دانشگاه ارومیه.
گلابی،م،ر.، آخوندعلی،ع.م.، رادمنش،ف. 1392. مقایسه عملکرد الگوریتمهای مختلف شبکه عصبی مصنوعی در مدلسازی بارندگی فصلی (مطالعه موردی: ایستگاههای منتخب استان خوزستان). نشریه تحقیقات کاربردی علوم جغرافیایی.
30: 169-151.
مسلمی،خ. 1390. پیشبینی سطح آب زیرزمینی دشت بسطام با استفاده از مدل شبکه عصبی مصنوعی (ANN) و شبکه استنتاج تطبیقی عصبی فازی (ANFIS). پایان نامه کارشناسی ارشد، کتابخانه مرکزی دانشگاه صنعتی شاهرود.
ملکی نژاد، ح.، پورشرعیاتی، ر.1392. کاربرد و مقایسه مدل سری زمانی تجمعی و مدل شبکه عصبی مصنوعی در پیشبینی تغییرات سطح آب زیرزمینی (مطالعه موردی: دشت مروست). علوم و مهندسی آبیاری (مجلهی علمی کشاورزی). 36 . 3: 92-81.
ندیری،ع.، نادری،ک.، اصغری مقدم،ا.، حبیبی،م. ح. ع. 1395. پیشبینی زمانی و مکانی سطح آب زیرزمینی با استفاده از روشهای هوش مصنوعی و زمین آمار (مطالعه موردی: آبخوان دشت دوزدوزان). نشریه جغرافیا و برنامه ریزی. 20. 58 : 281-301.
نورانی،و.، صالحی،ک. 1387. مدل سازی بارش- رواناب با استفاده از شبکه عصبی فازی تطبیقی و مقایسه آن با شبکه عصبی و روش استنتاج فازی. مطالعه موردی: (منطقه لیقوان چای در استان آذربایجان شرقی). چهارمین کنگره ملی مهندسی عمران، دانشگاه تهران.
Anderson,M.P.,Woessner,W.W. 1992 . Applied groundwater modeling flow and adjective Transport. Imprint: Academic Press, first Edition. 381p. 138-141
Barzegar,R., Fijani,E., Asghari Moghaddama,A., Tziritis,E. 2017. Forecasting of groundwater level fluctuations using ensemble hybrid multi-wavelet neural network-based models. Science of the Total Environment. 20–31.
Bear,J. 2010. Modeling Groundwater Flow and Contaminant Transport. Springer Verlag. 23. 834 P.
Jang,J.S.R., Sun,C.T., Mizutani,E. 1997. Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence. Prentice-Hall International.New Jersey. first Edition. 614p. 232-236
Kisi,O, 2009. Evolutionary fuzzy models for river suspended sediment concentration estimation. Journal of Hydrology. 372. 1–4: 68-79.
Lu,C., Chen,Y., Zhang,C., Luo,J. 2013. Steady-state freshwater–seawater mixing zone in stratified coastal aquifers. Journal of Hydrology. 230:52-67.
Nourani,V., Komasi,M .2013. A geomorphology-based ANFIS model for multi-station modeling of rainfall–runoff process. Journal of Hydrology. 490: 41-55.
Mattar,M.A., Alamoud,A.I. 2015. Artificial neural networks for estimating the hydraulic performance of labyrinth-channel emitters. Computers and Electronics in Agriculture. 114:189-201.
Nayak,P.C., Sudheer,K.P., Rangan,D.M., Ramasastri,K.S. 2004. A neuro-fuzzy computing technique for modeling hydrological time series. Journal of Hydrology. 291.1–2: 52-66.
Rezaie-balf,M., Naganna,S.R., Ghaemi,A., Deka,P.C. 2017. Wavelet coupled MARS and M5 model tree approaches for groundwater level forecasting. Journal of Hydrology. 553:356-373.
Ross,T.J. 1995. Fuzzy logic with engineering application. McGraw Hill Inc., USA.
Stanley Raj,A., Hudson Oliver,D., Srinivas,Y., Viswanath,J .2017. Wavelet based analysis on rainfall and water table depth forecasting using Neural Networks in Kanyakumari district, Tamil Nadu, India. Groundwater for Sustainable Development. 5: 178–186.
Yoona,H., Hyunb,Y., Leec,K. Ha,K.K. Kim,G.B. 2016. A method to improve the stability and accuracy of ANN- and SVM-based time series models for long-term groundwater level predictions. Computers and Geosciences. 90. PA:144-155