احمدی، ف.، آیشم، س.، خلیلی، ک. و بهمنش، ج. 1394. کاربرد سیستمهای استنتاج عصبی-فازی تطبیقی و برنامهریزی ژنتیک برای برآورد تبخیر و تعرق ماهانه در شمال غرب ایران. پژوهشهای آب در کشاورزی. 29 (2): .247-235.
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): 144-131.
بیدآبادی، م.، بابازاده، ح.، شیری، ج. و صارمی، ع. 1400. برآورد تبخیر و تعرق گیاه مرجع با استفاده از ANN و ANFIS در اقلیم نیمهخشک و خشک. آبیاری و زهکشی ایران. 15 (6): 1420-1412.
پناهی، س.، کرباسی، م. و نیکبخت. ج. 1395. پیشبینی تبخیر-تعرق مرجع با استفاده از شبکههای عصبی مصنوعیRBF ، MLP و SVM. محیطزیست و مهندسی آب. 2 (1): 63-51.
پناهی، م. و میرهاشمی، س. ح. 1394. ارزیابی سه مدل نرمافزار weka در پیشبینی تبخیر تعرق پتانسیل و رطوبت نسبی ماهانه برای ماه بعد (مطالعه موردی استان یزد). اولین کنگره علمی پژوهشی توسعه و ترویج علوم کشاورزی، منابع طبیعی و محیطزیست ایران، تهران. 28 و 29 شهریورماه.
پورغلام آمیجی، م.، خوشروش، م.، دیوبند هفشجانی، ل. و قدمی فیروزآبادی، ع. 1401. اثر آبیاری با پساب مغناطیسی تصفیهشده بر بهرهوری آب ذرت. نشریه آبیاری و زهکشی ایران. 16 (1): 253-243.
حسینی وردنجانی، س. م. ر.، فتاحی، ر. و محترمی. ا. 1399. ارائه یک ضریب اصلاحی برای بهبود دقت روش هارگریوز در برآورد تبخیر و تعرق مرجع. نیوار. 44 (110-111): 52-43.
حقیزاده، ع.، یوسفی، ح.، یاراحمدی، ی. و ابراهیمیان، ط. 1398. مقایسۀ مدل هیبریدی PSO-ANFIS و مدل تجربی تورک در تخمین تبخیر و تعرق مرجع (مطالعۀ موردی: پلدختر- لرستان). اکوهیدرولوژی. 6 (3): 694-685.
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، نروفازی و درخت تصمیمگیری M5 (مطالعه موردی: ایستگاه سینوپتیک شیراز). تحقیقات منابع آب ایران. 15 (1): 371-365.
سپهری، س.، عباسی، ف.، زارعی، ق. و نخجوانی مقدم، م. م. 1399. بررسی و تحلیل حساسیت روشهای مبتنی بر شبکههای عصبی مصنوعی در برآورد تبخیر و تعرق گیاه مرجع. آبیاری و زهکشی ایران. 14 (6): 2099-2089.
ستاری، م. ت. و اسماعیلزاده، ب. 1395. مقایسه نتایج مدل درختی M5 و برنامهریزی ژنتیک با روش پنمن مونتیث فائو برای تخمین تبخیر و تعرق مرجع. مهندسی منابع آب. 9 (31): 20-11.
ستاری، م. ت، 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). آبیاری و زهکشی ایران. 7 (1): 113-104.
فضلی مقصودی، حسن و مومنی، حسین .1392. مقایسه و بررسی الگوریتمهای دادهکاوی کاهل و ماشین بردار پشتیبان برای تشخیص نفوذ، همایش مهندسی کامپیوتر و توسعه پایدار با محوریت شبکههای کامپیوتری، مدلسازی و امنیت سیستمها، مشهد.
قربانی، م.، شکری، س. و برومندنسب، س. 1395. بررسی عملکرد شبکههای عصبی در برآورد تبخیر و تعرق گیاه مرجع (مطالعه موردی: ایستگاه سینوپتیک اهواز). اکوبیولوژی تالاب. 8 (28): 34-23.
منهاج، م. ب. 1393. مبانی شبکههای عصبی و هوش محاسباتی. جلد اول، چاپ نهم، انتشارات دانشگاه صنعتی امیر کبیر، تهران، 718 ص.
نورانی، و. و سیاح فرد، م. 1392. آنالیز حساسیت دادههای ورودی به شبکه عصبی مصنوعی بهمنظور برآورد مقدار تبخیر روزانه. آب و فاضلاب. 24 (3): 100-88.
وروانی، ه.، مرادی، م. و وروانی، ج. 1392. برآورد تبخیر و تعرق ماهانه گیاه مرجع توسط مدل رگرسیون درختی در نواحی مختلف آب و هوایی ایران. پژوهش آب در کشاورزی. 27 (4): 534-523.
Algretawee, H. and Alshama, G. 2021. Modeling of Evapotranspiration (ETo) in a Medium Urban Park within a Megacity by Using Artificial Neural Network (ANN) Model. Periodica Polytechnica Civil Engineering. 65(4): 1260–1268.
Allen, R. G., Pereira, L. S., Raes, D., and Smith, M. 1998. Crop evapotranspiration-Guidelines for computing crop water requirements-FAO Irrigation and drainage paper 56. Fao, Rome. 300(9): D05109.
Ansari Ghojghar, M., Pourgholam-Amiji, M., Bazrafshan, J., Liaghat, A. and Araghinejad, S. 2020. Performance Comparison of Statistical, Fuzzy and Perceptron Neural Network Models in Forecasting Dust Storms in Critical Regions in Iran. Iranian Journal of Soil and Water Research. 51(8): 2051-2063.
Antonopoulos, V. and Antonopoulos, A. 2017. Daily reference evapotranspiration estimates by artificial neural networks technique and empirical equations using limited input climate variables,
Computers and Electronics in Agriculture. 132: 86-96.
Belouch, M., El Hadaj, S. and Idhammad, M. 2017. A two-stage classifier approach using reptree algorithm for network intrusion detection. International Journal of Advanced Computer Science and Applications. 8(6): 389-394.
Binkert, N. L., Dreslinski, R. G., Hsu, L. R., Lim, K. T., Saidi, A. G. and Reinhardt, S. K. 2006. The M5 simulator: Modeling networked systems. Ieee micro. 26(4): 52-60.
Eberhart, R. and Kennedy, J. 1995. A new optimizer using particle swarm theory. In MHS'95. Proceedings of the sixth international symposium on micro machine and human science (pp. 39-43). Ieee.
Eichelmann, E., Mantoani, M. C., Chamberlain, S. D., Hemes, K. S., Oikawa, P. Y., Szutu, D. and Baldocchi, D. D. 2022. A novel approach to partitioning evapotranspiration into evaporation and transpiration in flooded ecosystems. Global Change Biology. 28(3): 990-1007.
Genolini, P. B. 2022. Wrapped M5-branes and complex saddle points. Journal of High Energy Physics. 2022(1): 1-45.
Ghahreman, N. and Sameti, M. 2014. Comparison of M5 Model Tree and Artificial Neural Network for Estimating Potential Evapotranspiration in Semi-arid. Desert. 19(1): 75-81.
Haykin, S. 1994. Neural Networks: A Comprehensive Foundation, MacMillan College Publishing Co. New York.
Hou, Y., Hao, G., Zhang, Y., Gu, F., and Xu, W. 2022. A multi-objective discrete particle swarm optimization method for particle routing in distributed particle filters. Knowledge-Based Systems. 240: 108068.
Jain, S. K., Nayak, P. C. and Sudheer, K. P. 2008. Models for estimating evapotranspiration using artificial neural networks, and their physical interpretation. Hydrological Processes: An International Journal. 22(13): 2225-2234.
Khalilmoghadam, B., Afyuni, M., Abbaspour, K. C., Jalalian, A., Dehghani, A. A. and Schulin, R. 2009. Estimation of surface shear strength in Zagros region of Iran—a comparison of artificial neural networks and multiple-linear regression models. Geoderma. 153(1-2): 29-36.
Kumar, M., Raghuwanshi, N. S. and Singh, R. 2011. Artificial neural networks approach in evapotranspiration modeling: a review. Irrigation Science. 29:11–25.
Khoshravesh, M., Abedi-Koupai, J. and Nikzad-Tehrani, E. 2016. Detection of trends in hydro-climatological variables using parametric and non-parametric tests in Neka basin. Journal of Water and Soil Science. 19(74): 1-14.
Kisi, O. and Kilic, Y. 2016. An investigation on generalization ability of artificial neural networks and M5 model tree in modeling reference evapotranspiration. Theoretical and applied climatology. 126(3): 413-425.
Kisi, O., Keshtegar, B., Zounemat-Kermani, M., Heddam, S. and Trung, N. T. 2021. Modeling reference evapotranspiration using a novel regression-based method: radial basis M5 model tree. Theoretical and Applied Climatology. 145(1): 639-659.
MacKay, D. J. 1992. Bayesian interpolation. Neural computation. 4(3): 415-447.
Minasny, B. and McBratney, A. B. 2002b. Evaluation and development of hydraulic conductivity pedotransfer functions for Australian soil. Soil Research. 38(4): 905-926.
Minasny, B. and McBratney, A. B. 2002a. The neuro‐m method for fitting neural network parametric pedotransfer functions. Soil Science Society of America Journal. 66(2): 352-361.
Mirzaee, S., Ghorbani-Dashtaki, S., Mohammadi, J., Asadzadeh, F. and Kerry, R. 2017. Modeling WEPP erodibility parameters in calcareous soils in northwest Iran. Ecological Indicators. 74: 302-310.
Ngo, N. T., Truong, T. T. H., Truong, N. S., Pham, A. D., Huynh, N. T., Pham, T. M. and Pham, V. H. S. 2022. Proposing a hybrid metaheuristic optimization algorithm and machine learning model for energy use forecast in non-residential buildings. Scientific Reports. 12(1): 1-18.
Pal, M. and Deswal, S. 2009. M5 model tree based modelling of reference evapotranspiration. Hydrological Processes: An International Journal. 23(10): 1437-1443.
Petković, D., Gocic, M., Shamshirband, S., Qasem, S. N. and Trajkovic, S. 2016. Particle swarm optimization-based radial basis function network for estimation of reference evapotranspiration. Theoretical and applied climatology. 125(3): 555-563.
Quinlan, J. R. 1992. Learning with continuous classes. In 5th Australian joint conference on artificial intelligence. 92: 343-348.
Rahimikhoob, A. 2014. Comparison between M5 model tree and neural networks for estimating reference evapotranspiration in an arid environment. Water resources management. 28(3): 657-669.
Sattari, M. T, Pal, M., Apaydin, H. and Ozturk, F. 2013. M5 model tree application in daily river flow forecasting in Sohu Stream, Turkey. Water Resources. 40(3). 233-242.
Shi, Y. and Eberhart, R. 1998. A modified particle swarm optimizer. In 1998 IEEE international conference on evolutionary computation proceedings. IEEE world congress on computational intelligence (Cat. No. 98TH8360). 69-73.
Terzi, O. 2007. Data mining approach for estimation evaporation from free water surface. Journal of Applied Sciences. 7(4). 593-596