احمدپری، ه.، صفوی گردینی، م. و ابراهیمی، م. 1398. انتخاب روش مناسب برآورد تبخیر-تعرق مرجع در شرایط کمبود دادههای هواشناسی (مطالعه موردی شهرستان خرمبید در استان فارس). مدیریت اراضی. 7 (2): 230-223.
احمدپری، ه.، هاشمی گرمدره، س. ا. و اسکافی نوغانی، م. 1397. بررسی تاثیر ماده آلی خاک روی واسنجی بلوک گچی برای اندازهگیری میزان رطوبت حجمی خاک. سامانههای سطوح آبگیر باران. ۶ (۱):20-11.
امینی، م.، روزبه، م. و زمانی، ح. 1398. تحلیل رگرسیون پیشرفته با R، انتشارات علمی پارسیان، 238 صفحه.
بادیهنشین، ع.، نوری، ح. وظیفهدوست، م. 1393. بهبود برآورد عملکرد محصول در مدل شبیهسازی SWAP با استفاده از دادههای ماهوارهای. تحقیقات آب و خاک ایران. 45 (4): 388-379.
خسرویراد، م.، امید، م.، سرمدیان، ف.، حسینپور، س. 1398. ارزیابی شاخصهای سبزینگی در مدلسازی عملکرد نیشکر با تأکید بر الگوی رشد بر اساس پردازش تصاویر ماهوارهای مطالعه موردی: خوزستان کشت و صنعت امام خمینی (ره). تحقیقات آب و خاک ایران. 50 (10): 2524-2511.
دهقانی، ت.، احمدپری، ه. و امینی، ع. 1402. ارزیابی تغییرات کاربری اراضی با استفاده از تصاویر ماهوارهای چند طیفی و شبکه عصبی مصنوعی. مدلسازی و مدیریت آب و خاک. 3 (2): 35-18.
رازبان، آ. 1397. تخمین عملکرد گندم با استفاده از تصاویر ماهوارهای لندست-8 و سنتینل-2 (مطالعه موردی: مزرعه گندم آستان قدس رضوی). پایاننامه کارشناسی ارشد علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه فردوسی مشهد.
رجا، ا.، رضاییراد، ه. و ابراهیمیان، ح. 1399. ارزیابی مزرعهای عملکرد آبیاری جویچهای در مزارع ذرت و ارائه راهکارهای مدیریتی با استفاده از مدل WinSRFR (مطالعه موردی: دزفول). تحقیقات آب و خاک ایران. 51 (11): 2772-2761.
سپهری، ع. و متقی، م.ر. 1381. کاربرد شاخص های گیاهی سنجنده تی.ام در برآورد درصد پوشش گیاهی مراتع حفاظت شده جهاننما-گرگان. منابع طبیعی ایران. 55 (2): 271-259.
سروی، و.، متینفر، ح.ر.، سهرابی، ا. و باقری، ن. 1399. ارزیابی قابلیت دادههای طیفی لندست 8 و طیفسنج آزمایشگاهی در پیشبینی عملکرد ذرت (مطالعه موردی: کشت و صنعت مغان). پژوهشهای کاربردی زراعی. 33 (3): 137-117.
سلطانیان، م.، نادری خوراسگانی، م. و تدین، ع. 1399. برآورد زیست توده گندم زمستانه (Triticum aestivum L.) با استفاده از مدلهای رگرسیون خطی چندگانه، شبکه عصبی مصنوعی و دادههای سنجش از دور. مجله تولید گیاهان زراعی. 13 (3): 179-196.
شرفی، س.، صادقی، س.، نحوی نیا، م. و عبداللهی پور، م. 1401. ارزیابی معادلات رگرسیونی چندمتغیره در تخمین عملکرد گندم و جو دیم در اقلیمهای مختلف ایران . مدیریت آب و آبیاری. 12 (1): 211-201.
علیزاده، پ.، کامکار، ب.، شتایی، ش. و کاظمی، ح. 1398. ارزیابی تغییرات عملکرد سویا با استفاده از شاخصهای خشکسالی هواشناسی و ماهوارهای در غرب استان گلستان. تولید گیاهان زراعی. 12 (3): 84-69.
غفاریان مالمیری، ح.، صابری، م.، , مظفری، غ. و عربی علی آباد، ف. 1403. شناسایی و برآورد عملکرد مزارع برنج با استفاده از تصاویر ماهوارهای و تکنیکهای سنجشازدور (مطالعۀ موردی: استان کندز، افغانستان) .نشریه جغرافیا و توسعه. 22 (74): 218-187.
کمالی، ل.، کاویانی، ع.، نظری، ب. و لیاقت، ع. 1397 . تخمین عملکرد محصول گندم با استفاده از تصاویر ماهواره لندست 8 (مطالعه موردی: دشت مغان). تحقیقات آب و خاک ایران. 49 (5): 1042-1031.
گنجی خرم دل، ن. و خالقی، غ. 1399 . تخمین عملکرد و زیست توده ذرت علوفه ای در هر بازدید ماهوارهای در طی فصل رشد (مطالعه موردی: دشت فراهان). تولید فرآوری محصولات زراعی و باغی. 10 (1): 126-113.
لویمی، ن.، اکرم، ا, باقری نیکروز. و حاجی احمد، ع. 1398. پیش بینی عملکرد کلزا در مراحل مختلف رشد به وسیله تصاویر سنجنده OLI ماهواره لندست. مهندسی بیوسیستم ایران (علوم کشاورزی ایران). 50 (1): 113-101.
میراثی، ا. 1398. برآورد تولید محصول و نقشه عملکرد گندم در سیستم خاکورزی حفاظتی با استفاده از تصاویر ماهوارهای (مطالعه موردی: کشت و صنعت شهید بهشتی دزفول). رساله دکتری تخصصی مهندسی مکانیزاسیون کشاورزی- کشاورزی دقیق، گروه مهندسی بیوسیستم دانشکده کشاورزی، دانشگاه تبریز.
نورالدینی، س ا. و بنیاد، ا. 1369. بررسی کارآیی روشهای تصحیح اثر اتمسفر در برآورد تراکم تاجپوشش جنگلهای گیلان با استفاده از شاخصهای گیاهی حاصل از لندست 8. نشریه سنجش از دور و GIS ایران. 9 (1): 93-110.
یاقوتی، ح.، پذیرا، ا.، امیری، ا. و مسیحآبادی، م.ح. 1397. کاربرد تصاویر ماهوارهای و فنآوری سنجش از دور برای تخمین عملکرد برنج. حفاظت منابع آب و خاک. 7 (3): 69-55.
یوسفینژاد عطاری، م.، حبیبی، ش. و درخشان، ع. 1399. بررسی نتایج پیشبینی کیفیت پساب تصفیهشده با شبکه عصبی و الگوریتم فراابتکاری (مطالعه موردی: کارخانه پگاه آذربایجان). آب و توسعه پایدار. 7 (3): 72-63.
Abdi, A., Asadi Kapourchal, S, Vazifedoust, M. and Rezaei, M. 2022. A novel satellite-based methodology for retrieving specific leaf area of rice (Hashemi cultivar) at field scale. Environmental Engineering and Management Journal. 21(12): 2093-2102.
Acharya, T. D. and Yang, I. 2015. Exploring Landsat 8. International Journal of IT, Engineering and Applied Sciences Research (IJIEASR). 4(4): 4-10.
Adler, J. and Parmryd, I. 2010. Quantifying colocalization by correlation: The Pearson correlation coefficient is superior to the Mander's overlap coefficient. Cytometry Part A. 77(8): 733-742.
Arab, S. T., Noguchi, R., Matsushita, S. and Ahamed, T. 2021. Prediction of grape yields from time-series vegetation indices using satellite remote sensing and a machine-learning approach. Remote Sensing Applications: Society and Environment. 22: 100485.
Babaee, M., Shokat-Naghadeh, A., Ahmadpari, H. and Nabi-Jalali, M. 2019. Comparison of different methods with lysimeter measurements in estimation of rice evapotranspiration in Sari Region. Revista Ingeniería UC. 26(2): 175-184.
Bai, T., Zhang, N., Mercatoris, B. and Chen, Y. 2019. Jujube yield prediction method combining Landsat 8 Vegetation Index and the phenological length. Computers and electronics in agriculture. 162: 1011-1027.
Belsley D.A, Kuh E. and Welsch R.E. 1980. Regression Diagnostics: Identifying Influential
Bowker, A.H., Lieberman, G.J. 1972. Engineering Statistics. Prentice- Hall.
Cousins, S. A. and Lindborg, R. 2004. Assessing changes in plant distribution patterns—indicator species versus plant functional types. Ecological indicators. 4(1): 17-27.
De Siqueira, D. A., Vaz, C. M., Silva, F. S., Ferreira, E. J., Speranza, E. A., Franchini, J. C. and das Chagas, S. 2024. Regional-Scale Cotton Yield Estimate in the Brazilian Cerrado Using Simple Linear Regression Models with Time-Series of Vegetation Indices from EOS-MODIS Satellite Data.
Dehghani, T., Aghelmirrezaei, F., Jahangiri, E., Ahmadpari, H. and Binesh, S. 2021. Study of changes in land use and land cover in and around the Chah Nimeh water reservoir in Sistan and Baluchistan Province, Iran. Turkish Journal of Computer and Mathematics Education (TURCOMAT). 12(13): 4520-4525.
Dhakal, C. P. 2017. A naïve approach for comparing a forecast model. International Journal of Thesis Projects and Dissertations (IJTPD). 5(1): 1-3.
Dubey, S. K., Gavli, A. S., Yadav, S. K., Sehgal, S. and Ray, S. S. 2018. Remote sensing-based yield forecasting for sugarcane (Saccharum officinarum L.) crop in India. Journal of the Indian Society of Remote Sensing. 46: 1823-1833.
Gao, B. C. 1996. NDWI—A normalized difference water index for remote sensing of vegetation liquid water from space. Remote sensing of environment. 58(3): 257-266.
García-Lara, S., Serna-Saldivar, S. O. 2019. Corn history and culture. Corn: Chemistry and Technology, Woodhead Publishing and AACC International Press, 1-18.
Gitelson, A. A., Kaufman, Y. J. and Merzlyak, M. N. 1996. Use of a green channel in remote sensing of global vegetation from EOS-MODIS. Remote sensing of Environment. 58(3): 289-298.
Gnyp, M. L., Bareth, G., Li, F., Lenz-Wiedemann, V. I., Koppe, W., Miao, Y. and Zhang, F. 2014. Development and implementation of a multiscale biomass model using hyperspectral vegetation indices for winter wheat in the North China Plain. International Journal of Applied Earth Observation and Geoinformation. 33: 232-242.
Gontia, N. K. and Tiwari, K. N. 2011. Yield estimation model and water productivity of wheat crop (Triticum aestivum) in an irrigation command using remote sensing and GIS. Journal of the Indian Society of Remote Sensing. 39: 27-37.
Hansen, M. C. and Loveland, T. R. 2012. A review of large area monitoring of land cover change using Landsat data. Remote sensing of Environment. 122: 66-74.
Huang, J., Wang, H., Dai, Q. and Han, D. 2014. Analysis of NDVI data for crop identification and yield estimation. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 7(11): 4374-4384.
Huete, A. R. 1988. A soil-adjusted vegetation index (SAVI). Remote sensing of environment. 25(3): 295-309.
Jing-Feng, H., Shu-chuan, T., Abou-Ismail, O. and Ren-chao, W. 2002. Rice yield estimation using remote sensing and simulation model. Journal of Zhejiang University-SCIENCE A. 3: 461-466.
Lee, D. K., In, J. and Lee, S. 2015. Standard deviation and standard error of the mean. Korean journal of anesthesiology. 68(3): 220-223.
Leroux, L., Castets, M., Baron, C., Escorihuela, M. J., Bégué, A. and Seen, D. L. 2019. Maize yield estimation in West Africa from crop process-induced combinations of multi-domain remote sensing indices. European Journal of Agronomy. 108(1): 11-26.
McFeeters, S. K. 1996. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. International journal of remote sensing. 17(7): 1425-1432.
Mkhabela, M. S., Bullock, P., Raj, S., Wang, S. and Yang, Y. 2011. Crop yield forecasting on the Canadian Prairies using MODIS NDVI data. Agricultural and Forest Meteorology. 151(3): 385-393.
Mohioudin Gillani, S. S., Tahir, M. N., Anwar, A., Ul Haq, S. I., Awais, M., Iqbal, M., Iqbal, j., Ahmed Malik, H., Naqvi, S.M.Z.A., Ullah, R. and Khan, M. A. 2023. Real Time Estimation of Wheat Chlorophyll Content Retrieve from Landsat 8 Imagery Under Rainfed Condition. Sarhad Journal of Agriculture. 39(1): 147-155.
Mostafa, M., Luo, W., Zou, J. and Salem, A. 2023. Optimizing Rice Irrigation Strategies to Maximize Water Productivity: A Simulation Study Using AquaCrop Model for the Yanyun Irrigation District, Yangzhou, China. Earth. 4(3): 445-460.
Newton, I. H., Tariqul Islam, A. F. M., Saiful Islam, A. K. M., Tarekul Islam, G. M., Tahsin, A. and Razzaque, S. 2018. Yield prediction model for potato using landsat time series images driven vegetation indices. Remote Sensing in Earth Systems Sciences. 1: 29-38.
Pal, R. 2017. Predictive modeling of drug sensitivity. Chapter 4-Validation methodologies, Academic Press, 83-107.
Parida, B. R. and Ranjan, A. K. 2019. Wheat acreage mapping and yield prediction using Landsat-8 OLI satellite data: a case study in Sahibganj Province, Jharkhand (India). Remote Sensing in Earth Systems Sciences. 2(2-3): 96-107.
Parry, M. A. and Hawkesford, M. J. 2010. Food security: increasing yield and improving resource use efficiency. Proceedings of the nutrition Society. 69(4): 592-600.
Rondeaux, G., Steven, M., Baret, F. 1996. Optimization of soil-adjusted vegetation indices. Remote sensing of environment. 55(2): 95-107.
Rouse, J. W., Haas, R. H., Schell, J. A. and Deering, D. W. 1974. Monitoring vegetation systems in the Great Plains with ERTS. Proceedings of the Third Earth Resources Technology Satellite- 1 Symposium. 351(1): 309-317.
Senseman, G. M., Bagley, C. F. and Tweddale, S. A. 1996. Correlation of rangeland cover measures to satellite‐imagery‐derived vegetation indices. Geocarto International. 11(3): 29-38.
Singla, S. K., Garg, R. D. and Dubey, O. P. 2020. Ensemble Machine Learning Methods to Estimate the Sugarcane Yield Based on Remote Sensing Information. Revue d'Intelligence Artificielle. 34(6): 731-743.
Thudi, M., Palakurthi, R., Schnable, J. C., Chitikineni, A., Dreisigacker, S., Mace, E., Srivastava, R. K., Satyavathi, C.T., Odeny, D., Tiwari, V. K., Lam, H. M., Hong, Y. B., Singh, V. K., Li, G., Xu, Y., Chen, X., Kaila, S., Nguyen, H., Sivasankar, S., Jackson, S. and Varshney, R.K. 2021. Genomic resources in plant breeding for sustainable agriculture. Journal of Plant Physiology. 257:1-18.
Tucker, C. J. 1979. Red and photographic infrared linear combinations for monitoring vegetation. Remote sensing of Environment. 8(2): 127-150.
Tuvdendorj, B., Wu, B., Zeng, H., Batdelger, G. and Nanzad, L. 2019. Determination of appropriate remote sensing indices for spring wheat yield estimation in Mongolia. Remote Sensing. 11(21): 1-21.
Wang Li'ai, W. L. A., Zhou XuDong, Z. X., Zhu XinKai, Z. X., Dong ZhaoDi, D. Z. and Guo WenShan, G. W. 2016. Estimation of biomass in wheat using random forest regression algorithm and remote sensing data.
Willmott, C. J. and Matsuura, K. 2005. Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance. Climate research. 30(1): 79-82.
Wilson, E. H. and Sader, S. A. 2002. Detection of forest harvest type using multiple dates of Landsat TM imagery. Remote Sensing of Environment. 80(3): 385-396.
Xu, H. 2006. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. International journal of remote sensing. 27(14): 3025-3033.
Yue, J., Yang, G., Li, C., Li, Z., Wang, Y., Feng, H. and Xu, B. 2017. Estimation of winter wheat above-ground biomass using unmanned aerial vehicle-based snapshot hyperspectral sensor and crop height improved models. Remote Sensing. 9(7):708.
Yunus, K. A. Y. A. and Polat, N. 2023. A linear approach for wheat yield prediction by using different spectral vegetation indices. International Journal of Engineering and Geosciences. 8(1): 52-62.
Zanella, M. A., Martins, R. N., da Silva, F. M., Carvalho, L. C. C., de Carvalho Alves, M. and Rosas, J. T. F. 2024. Coffee yield prediction using high-resolution satellite imagery and crop nutritional status in Southeast Brazil. Remote Sensing Applications: Society and Environment. 33: 101092.
Zsebő, S., Bede, L., Kukorelli, G., Kulmány, I. M., Milics, G., Stencinger, D. and Kovács, A. J. 2024. Yield Prediction Using NDVI Values from GreenSeeker and MicaSense Cameras at Different Stages of Winter Wheat Phenology. Drones. 8(3): 88
