[1] Palmer, W. C. (1965). Meteorological drought. Washington, DC: US Department of Commerce, Weather Bureau.
[2] McKee, T.B., Doesken, N.J., & Kleist, J. (1993). “The relationship of drought frequency and duration to time scales”, In Proceedings of the 8th Conference on Applied Climatology, 17(22), 179-183.
[3] Jain, V.K., Pandey, R.P., Jain, M.K., & Byun, H.R. (2015). “Comparison of drought indices for appraisal of drought characteristics in the Ken River Basin”, Weather and Climate Extremes, 8, 1-11.
[4] Bazrafshan, O., Salajegheh, A., Bazrafshan, J., Mahdavi, M., & Fatehi Marj, A. (2015). “Hydrological drought forecasting using ARIMA models (Case Study: Karkheh Basin)”, Ecopersia, 3(3), 1099-1117.
[5] کماسی، م.، اعلمی، م.، نورانی، و. (1391). "پیشبینی خشکسالی با نمایهی SPIبه روش مدلسازی ANFIS برمبنای خوشهبندی C-Mean فازی"، نشریهی آب و فاضلاب، شماره 4، ش.ص. 90- 102.
[6] Maca, P., & Pech, P. (2016). “Forecasting SPEI and SPI Drought Indices Using the Integrated Artificial Neu-ral Networks”, Computational Intelligence and Neuroscience, 2016(2016), 1-17.
[7] Savice, D.A., Walters G.A., & Davidson, J. (1999). “A Genetic programming approach to rainfall- runoff modeling”, Water Resources Management, 13, 219-231.
[8] Hassanzadeh, Y., Abdi, A., Talatahari, S., & Singh, V.P. (2011). “Meta-Heuristic Algorithms for hydrologic frequency analysis”, Water Resources Management, 25(7), 1855-1879.
[9] Cannas, B., Fanni, A., See, L., & Sias, G. (2006). “Data preprocessing for river flow forecasting using neural networks: wavelet transforms and data partitioning”, Physics and Chemistry of the Earth, 31(18), 1164-1171.
[10] Djerbouai, S., & Souag– Gamane, D. (2016). “Drought Forecasting Using Neural Networks, Wavelet Neural Networks, and Stochastic Models: Case of the Algerois Basin in North Algeria”, Water Resources Management, 30(7), 2445-2464.
[11] Özger, M., Mishra, A.K., &Singh, V.P. (2012). “Long lead time drought forecasting using a wavelet and fuzzy logic combination model: A case study in texas”, Journal of Hydrometeorology, 13(1), 284-297.
[12] Londhe, S. N., & Dixit, P.R. (2011). “Forecasting stream flow using model trees”, International Journal of Earth Sciences and Engineering, 4(6), 282-285.
[13] Alipour, A., Yarahmadi, J., & Mahdavi, M. (2014). “Comparative Study of M5 Model Tree and Artificial Neural Network in Estimating Reference Evapotranspiration Using MODIS Products”, Journal of Climatology, 2014.
[14] ستاری، م.، رضازاده، ت.، جودی، ع.، نهرین، ف. (1392). "پیشبینی مقادیر بارش ماهانه با استفاده از شبکههای عصبی مصنوعی و مدل درختی M5 (مطالعهی موردی: ایستگاه اهر)"، پژوهشهای جغرافیای طبیعی، دوره 46، شماره 2، ش.ص. 247-260.
[15] Pal, M., & Deswal, S. (2009). “M5 model tree based modeling of reference evapotranspiration”, Hydrolog-ical Processes, 23(10), 1437-1443.
[16] Quinlan, J.R. (1986). “Introduction of decision trees”, Machine learning, 1(1), 81-106.
[17] امامیفر، س.، رحیمیخوب، ع.، نوروزی، ع.ا. (1393). "ارزیابی مدل درختی M5 و شبکهی عصبی مصنوعی برای برآورد متوسط روزانهی دمای هوا براساس دادههای دمای سطح زمین سنجندهی مودیس"، تحقیقات آب و خاک ایران، دوره 45، شماره 4، ش.ص. 423-433.
[18] Nourani, V., Komasi, M., & Alami, M.T. (2011). “Hybrid wavelet- genetic programming approach to opti-maize ANN modeling of rainfall – runoff Process”, Journal of Hydrologic Engineering, 17(6), 724-741.
ارسال نظر در مورد این مقاله