احمدی, فرشاد. (1399). ارزیابی عملکرد روشهای ماشین‌بردار پشتیبان و سیستم استنتاج عصبی فازی تطبیقی در پیشبینی جریان ماهانه رودخانهها (مطالعه موردی رودخانه‌های نازلو و سزار). تحقیقات آب و خاک ایران، 51(3)، 673-686. https://dx.doi.org/10.22059/ijswr.2019.290994.668356
احمدی، فرشاد.، رادمنش، فریدون.، و میرعباسی نجف‌آبادی، رسول. (1393). مقایسه روشهای برنامهریزی ژنتیک و ماشین بردار پشتیبان در پیشبینی جریان روزانه رودخانه (مطالعه موردی: رودخانه باراندوزچای). نشریه آب‌وخاک (علوم و صنایع کشاورزی)، 28(6)، 1171-1162. https://dx.doi.org/10.22067/jsw.v0i0.32406
جلالی، محمد نبی.، قزلباش نادری، بابک.، گویلی، افروز.، و بهرامی، جمیل. (1398). انتخاب مدل برتر سری زمانی جهت پیشبینی دبی ورودی رودخانه. سومین کنفرانس ملی هیدرولوژی مناطق نیمه خشک با محوریت آب،انسان،طبیعت، سنندج.https://civilica.com/doc/903801
جیرانی، فرزین.، مرید، سعید. و مریدی، علی. (1390). اثر دقت مکانی نقشه رقومی ارتفاع در واسنجی و برآورد رواناب و رسوب با استفاده از مدل CUP-SWAT. مجله پژوهشهای حفاظت آب‌وخاک، 18(4)، 102-81. https://dorl.net/dor/20.1001.1.23222069.1390.18.4.5.5
حشمتی، سارا.، و حافظ پرست مودت، مریم. (1397). پیشبینی دبی با استفاده از تحلیل سریهای زمانی با مدل SARIMA در شرایط خشک‌سالی مطالعه موردی: ایستگاه دبی سنجی پیر سلمان در رودخانه جامیشان. مجله علمی سامانههای سطوح آبگیر باران، 6(1)، 82-73. http://dorl.net/dor/20.1001.1.24235970.1397.6.1.7.8
دهقانی، رضا.، یونسی، حجت ا... .، و ترابی پوده، حسن. (1396). مقایسه عملکرد مدلهای ماشین بردار پشتیبان، برنامهریزی بیان ژن و شبکه بیزین در پیشبینی جریان رودخانهها (مطالعه موردی: رودخانه کشکان). نشریه پژوهشهای حفاظت آب‌وخاک، 24(4). https://dx.doi.org/10.22069/jwfst.2017.12398.2701
رحیمی، بنفشه.، و حافظ پرست مودت، مریم. (1399). مقایسه مدلهای رگرسیون بردار پشتیبان، برنامهریزی بیان ژن و آیهکرس در پیشبینی تغییرات رواناب تحت تأثیر تغییر اقلیم (مطالعه موردی: سد جامیشان). مجله تحقیقات آب‌وخاک ایران، 51(10). https://dx.doi.org/10.22059/ijswr.2020.303779.668640
زارع‌زاده مهریزی، محبوبه.، و بزرگ حداد، امید. (1398). شبیه‌سازی و پیشبینی آبدهی با استفاده از الگوریتم ترکیبیANN-GA. مجله
آب و خاک (علوم و صنایع کشاورزی)، 24(5)، 954-942. https://dx.doi.org/10.22067/jsw.v0i0.5295
زینعلی، معصومه.، گلابی، محمدرضا.، شریفی، محمدرضا.، و حافظ پرست مودت، مریم. (1397). ارزیابی مدلهای هوش مصنوعی در مدلسازی جریان رودخانه، مطالعه موردی: رودخانه گاماسیاب. نشریه علمی-پژوهشی مهندسی و مدیریت آبخیز، 11(4)، 954-941. https://dx.doi.org/10.22092/ijwmse.2018.115870.1370
سیدیان، سید مرتضی.، سلیمانی، مریم.، و کاشانی، مجتبی. (1393). پیشبینی دبی جریان رودخانه با استفاده از دادهکاوی و سری زمانی. نشریه اکو هیدرولوژی. (3)1، 167-179. https://dx.doi.org/10.22059/ije.2014.54219
صمدی، میثم.، بهره‌مند، عبدالرضا.، و فتح‌آبادی،ابوالحسن. (1397). پیشبینی دبی ماهانه ورودی به سد بوستان در استان گلستان با استفاده از مدلهای دادهکاوی و ترکیبی. نشریه علمی-پژوهشی مهندسی و مدیریت آبخیز، 11(4)، 1058-1044. https://dx.doi.org/10.22092/ijwmse.2018.108926.1251
صمدی، میثم.، مسلم، امیر پیام.، بیت اله پور چهارمحالی، ایمان.، کوشافر، لیلا.، و فرمهینی فراهانی، محمد ایمان. (1398). بررسی کارایی مدلهای ماشین بردار پشتیبان (SVM) و شبکه عصبی در پیشبینی دبی ورودی به سد گلستان.
نهمین کنفرانس علمی پژوهشی آبخیزداری و مدیریت منابع آب و خاک، کرمان. https://civilica.com/doc/1007309
صمدی، میثم.، و فتح‌آبادی، ابوالحسن. (1397). استفاده از مدلهای سری زمانی، شبکه عصبی و ماشین بردار پشتیبان جهت پیشبینی دبی ورودی به سد گرگان. مجله محیطزیست و مهندسی آب، (4)4، 309-299. https://dx.doi.org/10.22034/jewe.2018.128256.1256
علی‌نژادی، مهدی.، موسوی، سید فرهاد.، و حسینی، خسرو. (1399). مقایسه روشهای برنامهریزی بیان ژن و رگرسیونهای پارامتریک و نا پارامتریک در پیشبینی دبی میانگین روزانه رودخانه کارون (مطالعه موردی: ایستگاه هیدرومتری ملاثانی). نشریه علوم آب‌وخاک، 25(1)، 62-43. http://jstnar.iut.ac.ir/article-1-3999-fa.html
فرودی خور، علی.، صانعی، مجتبی.، و اژدری مقدم، مهدی. (1396). مقایسه سامانه استنتاج فازی- عصبی تطبیقی (ANFIS)وسامانه ماشین بردار پشتیبان (SVM) در تخمین میزان ضریب دبی سرریزهای لبه‌تیز. نشریه آبیاری و زهکشی ایران، 11(5)، 784-772. http://idj.iaid.ir/article_59839.html
معینی، حمید.، بنکداری، حسین.، فاطمی، سید احسان، و ابتهاج، عیسی. (1394). مدلسازی دبی ماهانه ورودی به مخزن سد جامیشان با مدلهای خود همبسته با میانگین متحرک تجمعی و سامانه استنتاج فازی- عصبی انطباقی. نشریه دانش آب‌وخاک، 26(2/1)، 285-273. https://water-soil.tabrizu.ac.ir/article_4894.html
ناظری تهرودی، محمد.، هاشمی، سید رضا.، احمدی، فرشاد.، و ناظری تهرودی، زهرا. (1395). بررسی دقت مدلهای ANFIS ،SVM و GP در مدلسازی مقادیر دبی جریان رودخانه. نشریه اکو هیدرولوژی، 3(3)، 361-347. https://dx.doi.org/10.22059/ije.2016.60024
نوذری،حامد.، و توکلی،فاطمه. (1396). پیشبینی جریان با استفاده از مدل ماشین بردار پشتیبان بر مبنای سریهای زمانی دبی و بارش در ایستگاههای بالادست (مطالعه موردی : ایستگاه هیدرومتری تله زنگ). مجله مدلسازی در مهندسی، 16(54)، 104-95. https://dx.doi.org/10.22075/jme.2017.11363.1112
Ahmadi, F., Radmanesh, F., & Mirabbasi, R. (2016). Comparison between Genetic Programming and Support Vector Machine Methods for Daily River Flow Forecasting (Case Study: Barandoozchay River). Water and Soil, 28(6), 1162-1171. https://dx.doi.org/10.22067/jsw.v0i0.32406 [In Persian]
Ahmadi, F. (2020). Evaluation of Support Vector Machine and Adaptive Neuro-Fuzzy Inference System Performance in Prediction of Monthly River Flow (Case Study: Nazlu chai and Sezar Rivers). Iranian Journal of Soil and Water Research, 51(3), 673-686. https://dx.doi.org/10.22059/ijswr.2019.290994.668356 [In Persian]
Alinezhadi, M., Mousavi, S.F., & Hosseini, K. (2021) Comparison of Gene Expression Programming (GEP) and Parametric and Non-Parametric Regression Methods in the Prediction of the Mean Daily Discharge of Karun River (A case Study: Mollasani Hydrometric Station). JWSS, 25(1). 43-62. http://jstnar.iut.ac.ir/article-1-3999-fa.html [In Persian]
Banzhaf, W., Nordin, P., Keller, R.E., & Francone, F.D. (1998). Genetic Programming. Morgan Kaufmann, San Francisco, CA. https://dx.doi.org/10.1007/978-3-642-14344-1_10
Breiman, L., (2001). Random forests. Machine Learning, 45(1), 5–32. https://link.springer.com/article/10.1023/A:1010933404324
Chen, Q., Dai, G., & Liu, H. (2002). Volume of fluid model for turbulence numerical simulation of stepped spillway overflow. Journal of Hydraulic Engineering, 128(7), 683-688. https://doi.org/10.1061/(ASCE)0733-9429(2002)128:7(683)
Dehghani, R., Yonesi, H., & Torabi Poudeh, H. (2017). Comparing the performance of Support Vector Machines, Gene Expression Programming and Bayesian networks in predicting river flow (Case study: Kashkan River). Journal of Water and Soil Conservation, 24(4), 161-177. https://dx.doi.org/10.22069/jwfst.2017.12398.2701 [In Persian]
Goldberg, D.E. (2002). The Design of Innovation: Lessons from and for Competent Genetic Algorithms. Addison-Wesley. Reading. MA, 2002 edition.
Foroudi Khowr, A., Saneie, M., & Azhdari Moghaddam, M. (2017). Comparison of Adaptive Neuro Fuzzy Inference System (ANFIS) and Support Vector Machines(SVM) for discharge capacity prediction of a sharp-crested weirs. Iranian Journal of Irrigation & Drainage, 11(5), 772-784. http://idj.iaid.ir/article_59839.html [In Persian]
Jalali, M.N., Ghezelbash Naderi, B., Guili, A., & Bahrami, J. (2017). Select the best time series model to predict the river inlet flow. Third National Conference on Semi-Arid Hydrology with a focus on water, humans, nature, Sanandaj. https://civilica.com/doc/903801 [In Persian]
Jeirani, F., Morid, S., & Moridi, A. (2011). Effect of spatial accuracy of digital elevation map on calibration and estimation of runoff and sediment using CUP-SWAT model. Journal of Soil Conservation Research, 18(4), 81-102. https://dorl.net/dor/20.1001.1.23222069.1390.18.4.5.5 [In Persian]
Holland, J. H. (1975). Adaptation in Natural and Artificial Systems. University of Michigan Press. Ann Arbor.
Heshmati, S., & Hafez Parast Movadat, M. (2018). Flow prediction using time series analysis with SARIMA model in drought conditions Case study: Pir Salman flowmeter station in Jamishan river. Rainwater catchment systems, 6(1), 73-82. http://jircsa.ir/article-1-309-fa.html [In Persian]
Koza, J., (1992). Genetic programming on the programming of computers by natural selection. MIT Press, Cambridge, MA.
Mantero, P., Moser, G., & Serpico, S.B. (2005). Partially supervised classification of remote sensing images through SVM-based probability density estimation. IEEE Transactions on Geoscience and Remote Sensing, 43(3), 559-570. https://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.473.467&rep=rep1&type=pdf
Moeeni, H., Bonakdari, H., Fatemi, S.A., & Ebtehaj, I. (2016). Modeling the Monthly Inflow to Jamishan Dam Reservoir Using Autoregressive Integrated Moving Average and Adaptive Neuro- Fuzzy Inference System Models. Water and Soil Science, 26(1-2), 273-285.
https://water- soil.tabrizu.ac.ir/article_4894.html [In Persian]
Nazeri Tahroudi, M., Hashemi, S., Ahmadi, F., & Nazeri Tahroudi, Z. (2016). Evaluation the Accuracy of ANFIS, SVM and GP Models to Modeling the River Flow Discharge. Iranian journal of Ecohydrology, 3(3), 347-361. https://dx.doi.org/10.22059/ije.2016.60024 [In Persian]
Nozari, H., & tavakoli, F. (2018). Stream Flow Prediction Using Support Vector Machine Based on Discharge and Precipitation Time series on Upstream Stations (Case Study: Taleh Zang Hydrometric Station). Journal of Modeling in Engineering, 16(54), 95-104. https://dx.doi.org/10.22075/jme.2017.11363.1112 [In Persian]
Samadi, M., & Fathabadi, A. (2019). Application of Time Series, ANN, and SVM Models in Forecasting the Gorgan Dam Inflow Rate. Environment and Water Engineering, 4(4), 299-309. https://dx.doi.org/10.22034/jewe.2018.128256.1256 [In Persian]
Samadi, M., Bahremand, A., & Fathabadi, A. (2019). The Boustan Dam monthly inflow forecasting using data-driven and ensemble models in the Golestan Province. Watershed Engineering and Management, 11(4), 1044-1058. https://dx.doi.org/10.22092/ijwmse.2018.108926.1251 [In Persian]
Samadi, M., Moslem, A.P, Beitollahpour Chaharmahali, A., Kushafar, L., & Farmahini Farahani, M.A. (2019). Investigating the efficiency of support vector machine (SVM) and neural network models in predicting the inlet flow to Golestan Dam. 9th Scientific Conference on Watershed Management and Management of Water and Soil Resources, Kerman. https://civilica.com/doc/10073 [In Persian]
Seyedian, S., Soleimani, M., & Kashani, M. (2014). Predicting streamflow using data-driven model and time series. Iranian journal of Ecohydrology, 1(3), 167-179. https://dx.doi.org/10.22059/ije.2014.54219 [In Persian]
Shin, K.S., Lee, T.S., & Kim, H.J. (2005). An application of support vector machines in bankruptcy prediction model. Expert systems with applications, 28(1), 127-135. https://doi.org/10.1016/j.eswa.2004.08.009
Sivapragasam, C, Shie-Yui Liong, S, Y., & Pasha, M.F.K., (2001). Rainfall and runoff forecasting with SSA–SVM approach. Journal of Hydro informatics. 3(3), 141-152. https://doi.org/10.2166/hydro.2001.0014
Sudheer, Ch., Anand, N., Panigrahi B.K., & Mathur, S., (2013). Stream flow forecasting by SVM with quantum behaved particle swarm optimization. Neuro computing, 101, 18-23. https://doi.org/10.1016/j.neucom.2012.07.017
Rahimi, B., & Hafez Parast Movadat, M. (2020). Comparison of support vector regression models, gene expression programming and IHACRES in predicting runoff changes under the influence of climate change (Case study: Jamishan Dam). Iranian Soil and Water Research, 51(10), 2483-2499. https://dx.doi.org/10.22059/ijswr.2020.303779.668640 [In Persian]
Zarezadeh, M., & Bozorg Haddad, O. (2010). Inflow Simulation and Forecasting Optimization Using Hybrid ANN-GA Algorithm. Water and Soil, 24(5),942-954. https://dx.doi.org/10.22067/jsw.v0i0.5295 [In Persian]
Zeinalie, M., Golabi, M.R., Sharifi, M.R., & Hafez Parast Movadat, M. (2018). Evaluation of Artificial Intelligence Models in River Flow Modeling, Case Study: Gamasiab River. Journal of Watershed Engineering and Management, 11(4), 941-954. https://dx.doi.org/10.22092/ijwmse.2018.115870.1370. [In Persian]
)