احسانی، م. و خالدی، ه. 1381. شناخت و ارتقای بهره وری آب کشاورزی به منظور تأمین امنیت آبی و غذایی. یازدهمین سمینار کمیته ملی آبیاری و زهکشی، تهران، ایران.
آراسته، م.، کابلی، س.ح. و یزدانی، م. 1396. بررسی تأثیرات خشکسالیهای هواشناسی بر عملکرد دو محصول گندم و جو دیم (مطالعه موردی: استان خراسان رضوی). هواشناسی کشاورزی. 5(1): 25-15.
انصاری، ش.، اسلامیان، س. و پورعبدالله، ن. 1395. اثر پارامترهای هواشناسی بر عملکرد گندم و جو دیم در استان چهار محال و بختیاری، دومین کنگره ملی آبیاری و زهکشی ایران، اصفهان.
بازگیر، س. و کمالی، غ.ع. 1387. پیشبینی عملکرد گندم دیم با استفاده از شاخصهای هواشناسی کشاورزی در برخی از مناطق غرب کشور. مجله علوم کشاورزی و منابع طبیعی. 15(2): 10-1.
باقری، ع.ر. و سهرابی، ن. 1397. پیشبینی عملکرد جو دیم و آبی (Hordeum vulgare L.) با استفاده از رهیافت شبکه عصبی مصنوعی (مطالعه موردی: استان کرمانشاه). بوم شناسی کشاورزی. 10(2): 528-516.
تاتاری، م.، کوچکی، ع.ر. و نصیریمحلاتی، م. 1388. پیشبینی عملکرد گندم دیم در استان خراسان با استفاده از دادههای بارندگی و خاک با به کارگیری انواع مدلهای رگرسیونی. پژوهشهای زراعی ایران. 7(2): 365-357.
جدی، ح.ر.، عباسپور، ر.ع.، خالصیان، م. و علویپناه، س.ک. 1396. پیشبینی غلظت آلاینده منوکسیدکربن در کلانشهر تهران با استفاده از شبکههای عصبی مصنوعی. انجمن متخصصان ایران. 19(5): 25-13.
جعفری، م.م.، اوجاقلو، ح. و کرباسی، م. 1400. مقایسه عملکرد شبکههای عصبی مصنوعی و برنامهریزی بیان ژن در برآورد منحنی مشخصه آب در خاکهای جنگلی. تحقیقات آب و خاک ایران. 52(8): 2109-2093.
حاجیآبادی، ف.، حسنپور، ف.، یعقوبزاده، م. و حمامی، ح. 1397. ارزیابی خشکسالی در بیرجند با تاکید برشاخص خشکسالی پالمر واسنجی شده و عملکرد نسبی محصول گندم دیم. نشریه آبیاری و زهکشی ایران، 12(1): 142-130.
حسینی، ا.، گلابی، م.ر.، معروفی، ص.، خالدیان، ن. و سلطانی، م. 1399. ارزیابی مدل شبکه عصبی توسعه یافته با فیلتر کالمن و برنامهریزی بیان ژن در مدلسازی بارش. مهندسی و مدیریت آبخیز. 12(3): 784-771.
حسینی، س.م.ط.، سیوسه مرده، ع.، فتحی، پ. و سیوسه مرده، م. 1386. کاربرد شبکههای عصبی مصنوعی و رگرسیون چند متغیره در برآورد عملکرد گندم دیم منطقه قروه استان کردستان. پژوهش کشاورزی. 7(1): 54-41.
حمدیاحمدآباد، ی.، لیاقت، ع.، رسولزاده، ع. و قادرپور، ر. 1398. بررسی روند سرانه مصرف آب در ایران براساس رژیم غذایی دو دهه گذشته. تحقیقات آب و خاک ایران. 50(1): 87-77.
خاشعیسیوکی، ع.، کوچکزاده، م. و قهرمان، ب. 1390. پیشبینی عملکرد گندم دیم با استفاده از دادههای هواشناسی بوسیله سیستمهای هوشمند در استان خراسان، ایران. مجله بین المللی علوم و فناوری کشاورزی، 13(4): 640-627.
دشتی، ق.، باقری، پ.، پیشبهار، اسماعیل. و مجنونی، ا. 1397. ارزیابی تاثیر تغییر اقلیم بر تبخیر-تعرق و عملکرد گندم دیم در شهرستان اهر. نشریه آبیاری و زهکشی ایران. 12(2): 423-409.
دهقانی، ر.، یونسی، ح. و ترابیپوده، ح. 1396. مقایسه عملکرد مدلهای ماشین بردار پشتیبان، برنامهریزی بیان ژن و شبکه بیزین در پیشبینی جریان رودخانهها (مطالعه موردی: رودخانه کشکان). مجله پژوهشهای حفاظت آب و خاک. 24(4): 177-161.
رستملو، م.، اجاقلو، ح. و کرباسی، م. 1397. مقایسه عملکرد سامانهی استنتاج فازی-عصبی و برنامهریزی بیان ژن به منظور تخمین ضریب یکنواختی پخش آب در سامانههای آبیاری بارانی کلاسیک. مجله پژوهش آب ایران. 4(31): 94-85.
زارع ابیانه، ح. 1392. بررسی نقش عوامل اقلیمی و خشکسالی بر تغییرپذیری عملکرد چهار محصول دیم در مشهد و بیرجند. نشریه دانش آب و خاک. 23(1): 56-39.
زارعابیانه، ح. 1391. ارزیابی روشهای شبکهی عصبی مصنوعی و زمین آمار در برآورد توزیع مکانی عملکرد گندم دیم و آبی (مطالعهی موردی: خراسان رضوی). پژوهشهای جغرافیای طبیعی. 44(4): 42-23.
سبحانی، ن. و عرب اسدی، ز. 1393. پیشبینی عملکرد گندم دیم با استفاده از سیتم شبکه عصبی (استان خراسان شمالی). همایش ملی الکترونیکی دستاوردهای نوین در علوم مهندسی و پایه، اردبیل.
صادق زاده اهری، د. 1380. بررسی عملکرد ارقام گندم با عادتهای رشدی متفاوت در دو تاریخ کاشت به منظور تعیین عادت رشدی مناسب برای مناطق سردسیر دیم. مجله نهال و بذر. 17(1): 43-32.
صالحنیا، ن.، فلاحی، م.ع.، انصاری، ح. و داوری، ک. 1386. بررسی تعرفههای آب شرب شهری و تاثیر آن بر الگوی مصرف آب مشترکان، مطالعه موردی: شهر نیشابور. آب و فاضلاب. 18(3): 59-50.
صفری، ف.، رمضانیاعتدالی، ه.، کاویانی، ع. و آبابایی، ب. 1396. پیشبینی عملکرد و مراحل مختلف رشد گیاه گندم با استفاده از شبکه عصبی مصنوعی. چهاردهمین همایش ملی آبیاری و کاهش تبخیر، کرمان.
صفری، ف.، رمضانیاعتدالی، ه.، کاویانی، ع. و آبابایی، ب. 1398. امکانسنجی آموزش شبکههای عصبی مصنوعی با استفاده از مدلهای گیاهی برای پیشبینی عملکرد و طول دورههای رشد گندم. نیوار. 43: 112-101.
عباسی، ع.، خلیلی، ک.، بهمنش، ج. و شیرزاد، ا. 1399. مقایسه روشهای شبکههای عصبی مصنوعی، شبکه بیزین و برنامهریزی بیان ژن در پیشبینی خشکسالی (مطالعه موردی: ایستگاه سینوپتیک مراغه). پژوهشنامه مدیریت حوزه آبخیز. 11(21 ): 71-59.
عریضی، ح.ر. و گلپرور، م. 1388. سبک رهبری و رضایت شغلی: مقایسه رگرسیون گام به گام با رگرسیون ریج. فصلنامه روان شناسی ایرانی. 26(6): 27-3.
عینی، ح.، صادقی، س. و حسینزاده، س.ر. 1391. پهنهبندی پتانسیلهای توپوکلیمایی کشت گندم دیم در استان کرمانشاه. جغرافیا و توسعه ناحیهای. 10(2): 45-21.
قوامسعیدی نوقابی، س.، یعقوبزاده، م.، شهیدی، ع.، حمامی، ح. و کلانکی، م. 1399. ارزیابی مدل DSSATv4.7 در شبیهسازی مراحل فنولوژیکی و عملکرد گندم رقم آنفارم 4 تحت سطوح مختلف آبیاری. نشریه آبیاری و زهکشی ایران. 14(2): 558-548.
کوچکی، ع. و کمالی، غ. 1388. تغییر اقلیم و تولید گندم دیم در ایران. نشریه پژوهشهای زراعی ایران. 8(3): 520-508.
محنتکش، ع.، ایوبی، ش.، جلالیان، ا. و دهقانی، ا.ا. 1395. مقایسه مدلهای رگرسیون چند متغیره خطی و شبکههای عصبی مصنوعی برای برآورد عملکرد گندم دیم در مناطقی از زاگرس مرکزی. زراعت دیم ایران. 5(2): 133-119.
مونسخواه، و. و مجنونی هریس، ا. 1396. تأثیر آبیاری تکمیلی گندم دیم بر شاخص رضایتمندی نیاز آبی در اقلیم نیمهخشک دشت تبریز. نشریه آبیاری و زهکشی ایران. 11(6): 1151-1143.
نخجوانی مقدم، م.م.، قهرمان، ب.، داوری، ک.، علیزاده، ا.، دهقانیسانیج، ح. و توکلی، ع.ر. 1395. شبیهسازی عملکرد گندم در شرایط دیم کامل و آبیاری تکمیلی و ارائه سناریوهای برتر مدیریتی در بالادست حوضه آبریز کرخه. نشریه آبیاری و زهکشی ایران. 10(4): 478-466.
نصیری محلاتی، م. وکوچکی، ع.ر. 1384. اثر تغییر اقلیم برشاخصهای اگروکلیماتیک مناطق کشت گندم دیم در ایران. مجله پژوهشهای زراعی ایران. 3(2): 303-291.
هلالی، ج.، قهرمان، ن. و خلیلی، ع. 1395. مقایسه مقادیر درجه روز رشد (GDD) گندم با استفاده از دادههای ساعتی و روزانه دما در دو نمونه اقلیمی ایران. پژوهشهای کاربردی زراعی. 29(1): 18-8.
یاراحمدی، د. و نصیری، ب. 1383. به کارگیری مدل تلفیقی پانل در ارتباط با میزان عملکرد گندم دیم و پارامترهای اقلیمی: استان لرستان. مدرس علوم انسانی. 8(4): 190-175.
یزدانپناه، ح. 1389. تعیین میزان اثر عناصر اقلیمی بر عملکرد گندم دیم در استان آذربایجان شرقی با استفاده از شبکههای عصبی هوشمند. فصلنامه جغرافیا و توسعه. 8(20): 144-133.
Abdollahpour, S., Kosari-Moghaddam, A. and Bannayan, M. 2020. Prediction of wheat moisture content at harvest time through ANN and SVR modeling techniques. Information Processing in Agriculture. 7(4): 500-510.
Angus, J.F., Herwaarden, A., Howe, G.N. and Van, H.A. 1991. Productivity and break crop effects of winter-growing oilseeds. Animal Production Science. 31(5): 669-677.
Asseng, S., Foster, I. and Turner, N. 2011. The impact of temperature variability on wheat yields. Global Change Biology. 17: 997-1012.
Baier, W. and Robertson, G.W. 1967. Estimating yield components of wheat from calculated soil moisture. Canadian Journal of Plant Science. 47(6): 617-630.
Bannayan, M., Najafi, F., Azizi, M., Tabrizi, L. and Rastgoo, M. 2008. Yield and seed quality of plant goovata and Nigella sativa under different irrigation treatments. Industrial Crops and Products. 27: 11-16.
Drummond, S.T., Sudduth, K.A., Joshi, A., Birrell, S.J. and Kitchen, N.R. 2003. Statistical and neural methods for site–specific yield prediction. Transactions of the ASAE. 46: 5.
Faghih, H., Behmanesh, J., Rezaie, H. and Khalili, K. 2021. Climate and rainfed wheat yield. Theoretical and Applied Climatology, 144: 13–24.
Fraisis, C., Staub, C.G., Gelcer, E., Dourte, D., Montone, V., Kohmann, M., Hawkins, G., Payero, J., Knox, P., Zierden, D. and Krantz, Sh. 2016. The AgroClimate Workbook: A Guide for Climate and Agriculture in the Southeastern U.S., University of Florida. 31-35.
Green, T.R., Salas, J.D., Martinez, A. and Erskine, R.H. 2007. Relating crop yield to topographic attributes using spatial analysis neural networks and regression. Geoderma. 139: 23-37.
He, Y., Wei, Y., Depauw, R., Qian, B., Lemke, R., Singh, A., Cuthbert, R., Mcconkey, B. and Wang, H. 2013. Spring Wheat Yield in the Semiarid Canadian Prairies: Effects of Precipitation Timing and Soil Texture over Recent 30 Years. Field Crops Research. 149: 329-337.
Jafari, M.M., Ojaghlou, H., Zare, M. and Schumann, G.J. 2021. Application of aNovelHybridWavelet-ANFIS/Fuzzy C-Means Clustering Model to Predict Groundwater Fluctuations. Atmosphere. 12(1): 1-15.
Karimzadeh Soureshjani, H. 2021. Relationship between weather conditions and climate indices with rainfed crop yield. International Journal of Plant Production, 15: 541–551.
Kheir, A.M., El Baroudy, A., Aiad, M.A., Zoghdan, M.G., El-Aziz, M.A.A., Ali, M.G. and Fullen, M.A. 2019. Impacts of rising temperature, carbon dioxide concentration and sea level on wheat production in North Nile delta. Science of the Total Environment. 651: 3161-3173.
Landau, S., Mitchell, R.A.C., Barnett, V., Colls, J.J., Craigon, J. and Payne, R.W. 2000. A parsimonious, multiple-regression model of wheat yield response to environment. Agricultural and Forest Meteorology. 101: 151–166.
Lavine, B.K. and Blank, T.R. 2009. Feed-Forward Neural Networks. Comprehensive Chemometrics. 571–586.
Lobell, D. 2005. Analysis of wheat yield and climatic trend in Mexico. Field Crops Research. 94: 250-256.
Mansourian, S., Izadi Darbandi, E., Rashed Mohassel, M.H., Rastgoo, M. and Kanouni, H. 2017. Comparison of artificial neural networks and logistic regression as potential methods for predicting weed populations on dryland chickpea and winter wheat fields of Kurdistan province, Iran. Crop Protection. 93: 43-51.
Mehdipour, V., Memarianfard, M. and Homayounfar, F. 2017. Application of gene expression programming to water dissolved oxygen concentration prediction. International Journal of Human Capital in Urban Management. 2(1): 1-10.
Nazari, B., Liaghat, A., Akbari, M.R. and Keshavarz, M. 2018. Irrigation water management in Iran: Implications for water use efficiency improvement. Agricultural water management. 208: 7-18.
Neil Bird, D., Benabdallah, S., Gouda, N., Hummel, F., Köberl, J., La Jeunesse, I., Meyer, S., Neil Prettenthaler, F., Soddu, A. and Woess-Gallasch, S. 2016. Modelling climate impacts on and adaptation strategies for agriculture in Sardinia and Tunisia using aquacrop and Value-at-Risk. Science of the Total Environment.
Norouzi, M., Ayoubi, S., Jalalian, A., Khademi, H. and Dehghani, A.A. 2010. Predicting rainfed wheat quality by artificial neural network using terrain and soil characteristics. Acta Agriculturae Scandinavica, Section B-Soil and Plant Science. 60(4): 341-352.
Okut, H. 2016. Bayesian Regularized Neural Networks for Small n Big p Data. Artificial Neural Networks - Models and Applications.
Patterson, W. 1996. Artificial Neural Network: Theory and Applications, second edition, Prentice Hall Press.
Puig-Arnavat, M. and Bruno, J.C. 2015. Artificial Neural Networks for Thermochemical Conversion of Biomass. Recent Advances in Thermo-Chemical Conversion of Biomass. 133–156.
Qian, N. 1999. On the momentum term in gradient descent learning algorithms. Neural Networks. 12(1): 145–151.
Seckler, D., Baker, R. and Amarasinghe, U.A. 1999. Water scarcity in the twenty-first century. International Journal of Water Resources Development. 15(1-2): 29–42.
Shepherd, G.M. 1990. The synaptic organization of the brain, third edition, Oxford university press.
Shiri, J., Sadraddini, A.A., Nazemi, A.H., Kisi, O., Landeras, G., Fakheri Fard, A. and Marti, P. 2014. Generalizability of gene expression programming-based approaches for estimating daily reference evapotranspiration in coastal stations of Iran. Journal of Hydrology. 508: 1–11.
Taki, M., Rohani, A., Soheili-Fard, F. and Abdeshahi, A. 2018. Assessment of energy consumption and modeling of output energy for wheat production by neural network (MLP and RBF) and Gaussian process regression (GPR) models. Journal of Cleaner Production. 172: 3028-3041.
Wu, F.Y. and Yen, K.K. 1992. Applications of neural network in regression analysis. Computers and Industrial Engineering. 23: 93-95