بهرامی، مهدی.، امیری، محمدجواد.، رضاییمهارلویی، فاطمه.، و غفاری، کرامت اله. (1396). تعیین اثر پیش پردازش داده بر عملکرد شبکه عصبی مصنوعی به منظور پیشبینی بارندگی ماهانه در شهرستان آباده. نشریه اکوهیدرولوژی، 4(1). 29-37https://dx.doi.org/
10.22059/IJE.2017.60880.
حلبیان، امیر.، حسین.، و دارند، محمد. (1391). پیشبینی بارندگی اصفهان با استفاده از شبکههای عصبی مصنوعی. نشریه تحقیقات کاربردی علوم جغرافیایی، 12(26).
https://www.sid.ir/paper/102413/fa
شرفی، میلاد.، صمدیانفرد، سعید.، و هاشمی، سجاد. (1399). پیشبینی بارندگی ماهانه با استفاده از مدلهای برنامهریزی ژنتیک و ماشینبردار پشتیبان. نشریه سامانههای نوین سطوح آبگیر باران، 8 (4)، 71-63.
https://www.sid.ir/paper/958629/fa
ضابطپیشخانی، نسرین.، سیدیان، سیدمرتضی.، حشمتپور، علی.، و روحانی، حامد. (1395). مقایسه الگوسازی بارندگی ماهانه با مدلهای SVM و ANFIS (مطالعه موردی: شهرگنبدکاووس). نشریه آب و خاک (علوم و صنایع کشاورزی)، 30(1)، 246-236.
https://civilica.com/doc/666817
عیسیزاده، محمد.، احمدزاده، حجت.، و قربانی، محمدعلی. (1396). ارزیابی تأثیر نرمالسازی توزیع احتمالاتی رواناب ماهانه بر عملکرد مدلهای SVM و ANN در شبیهسازی جریان ماهانه رودخانهها (مطالعه موردی: حوزه زرینهرود). پژوهشنامه مدیریت حوزه آبخیز، 8(16)، 33-22. https://jsw.um.ac.ir/article_38332.html
محمدی، بابک.، و موذنزاده، روزبه. (1398). پیشبینی جریان جریان با استفاده از مدلهای ترکیبی هوشمند در مقیاس ماهانه (مطالعه موردی: رودخانه زرینرود). فصلنامه علوم و تکنولوژی محیط زیست، 21(9)، 71-81.
10.22034/JEST.2020.24315.3331.
https://dx.doi.org/
ناظریتهرودی، محمد.، خلیلی، کیوان.، عباسزادهافشار، مرضیه.، و ناظریتهرودی، زهرا. (1393). مقایسه تبدیلهای نرمالساز جهت نرمال کردن دادههای بارندگی ماهانه مناطق مختلف ایران. نشریه آب و خاک (علوم و صنایع کشاورزی)، 28(2)، 372-365.
https://www.sid.ir/paper/141631/fa
نوذری، حامد.، و توکلی، فاطمه. (1398). ارزیابی کارایی مدلهای مختلف خطی و غیرخطی در پیشبینی بارندگی ماهانه در تغییرات اقلیم استان همدان. پژوهشنامه مدیریت حوزه آبخیز، 10(20)، 12-1.
https://doi.org/10.29252/jwmr.10.20.19
Bahrami, M., Amiri, M., J., RezaeiMaharloui, F., & Ghafari, K.A. (2017). Determining the effect of data preprocessing on the performance of artificial neural network in order to predict monthly rainfall in Abadeh city. Journal of Ecohydrology, 4(1), 29-37. https://dx.doi.org/ 10.22059/IJE.2017.60880 [in Persian]
Chen, S., T., Yu, P., Sh., & Tang., H.,Y. (2010). Statistical downscaling of daily Precipitation using support vector machines and multivariate analysis. Journal of Hydrology, 385, 13-23. https://doi.org/10.1016/j.jhydrol.2010.01.021
Chia, M., Y., Huang, Y., F., & Koo, C., H. (2020). Support vector machine enhanced empirical reference evapotranspiration estimation with limited meteorological parameters. Journal Computers and Electronics in Agriculture, 175, 105577. https://doi.org/10.1016/j.compag.2020.105577
Dibike, Y., B., Velickov, S., Solomatine, D., & Abbott, M., B. (2001). Model induction with support vector machines: introduction and applications. Journal of Computing in Civil Engineering, 15, 208-216. https://doi.org/10.1061/(ASCE)0887-3801(2001)15:3(208)
Eysazadeh, M., Ahmadzadeh, H., & Ghorbani, M., A. (2017). Evaluation of the effect of normalizing the distribution of monthly runoff probabilities on the performance of SVM and ANN models in simulating the monthly flow of rivers (Case study: Zarineh Rood basin). Watershed Management Journal, 8(16), 22-33. https://jsw.um.ac.ir/article_38332.html [in Persian]
Fabian, V. (1997) Simulated Annealing Simulated. Computers & Mathematics with Applications, 33, 81-94. https://doi.org/10.1016/S0898-1221(96)00221-0
Fletcher, R. (1987). Practical Methods of Optimization. 2nd Edition, John Wiley and Sons, Chichester. https://www.scirp.org/(S(351jmbntvnsjt1aadkozje))
Gonzalez, R., C., & Perez, V., S. (2001). Two procedures for stochastic simulation of vuggy formations. (2001) SPE 69663, Latin American and Caribbean Petroleum Engineering Conference, Buenos Aires, Argentina, pp. 25–28 March. https://doi.org/10.2118/69663-MS
Guo, H., C., Liu, L., Huang, G., H., Fuller, G., A., Zou, R., & Yin, Y., Y. (2001). A system dynamics approach for regional environmental planning and management: A study for the Lake Erhai Basin. Journal of Environmental Management, 61, 93–111. https://doi.org/10.1006/jema.2000.0400
Halabian, A., H., & Darend, M. (2012). Rainfall forecasting in Isfahan using artificial neural networks. Applied Research Journal of Geographical Sciences, 12(26). https://www.sid.ir/paper/102413/fa [in Persian]
Hamidi, O., J., Poorolajal, M., Sadeghifar, H., Abbasi, Z., Maryanaji, H., Faridi, R., & Tapak, L. (2014) . A comparative study of support vector machines and artificial neural networks for predicting precipitation in Iran. Theoretical and Applied Climatology, 119, 723-731. https://link.springer.com/article/10.1007/s00704-014-1141-z
Jia, Zh, y., Ma, J, w., Wang, F, J., & Liu, W. (2011). Hybrid of simulated annealing and SVM for hydraulic valve characteristics prediction. Journal Expert Systems with Applications, 38, 8030–8036. https://doi.org/10.1016/j.eswa.2010.12.132
Lin, S., W., Lee, Z., J., Chen, S., C., & Tseng, T., Y. (2008). Parameter determination of support vector machine and feature selection using simulated annealing approach. Applied Soft Computing, 8(4), 1505-1512. https://doi.org/10.1016/j.asoc.2007.10.012
Mahareek, E., A., Desuky, A., S., & AbdullahEl-Zhni, H. (2021). Simulated annealing for SVM parameters optimization in student performance prediction. Bulletin of Electrical Engineering and Informatics, 10(3), 1211-1219. https://doi.org/10.11591/eei.v10i3.2855
Mehrabani Bashar, A., Nozari, H., Marofi, S., Mohamadi, M., & Ahadiiman, A. (2022). Investigation of factors affecting rural drinking water consumption using intelligent hybrid models. Journal Water Science and Engineering. https://www.sciencedirect.com/journal/water-science-and-engineering
Mohammadi, B., & Heydarpour, B. (2019). Investigating the influence of climate parameters on the estimation of soil temperature by hybrid refrigeration simulation algorithm. Nivar scientific and promotional magazine, 105-104. https://doi.org/10.30467/nivar.2019.83519 [in Persian]
Mohammadi, B., & Mouzenzadeh, R. (2019). Stream flow forecasting using intelligent hybrid models on a monthly scale (case study: Zarin Rood River). Environmental Science and Technology Quarterly, article, 21 (9), 71-81. https://dx.doi.org/10.22034/JEST.2020.24315.3331 [in Persian]
Nazeri Tahrudi, M., Khalili, K., AbbaszadeAfshar, M., & NazeriTahrudi, Z. (2014). Compared to the normal mechanism becomes the normal monthly rainfall data from different regions of Iran. Journal of Water and soil, 28 (2), 365- 372. https://www.sid.ir/paper/141631/fa [in Persian]
Nouri, R., Karbassi, A., R., Moghaddamnia, A., Han, D., Zokaei-Ashtiani, M., H., Farokhnia, A., & GhafariGousheh, M. (2011). Assessment of input variables determination on the SVM model performance using PCA, Gamma test, and forward selection techniques for monthly stream flow prediction. Journal of Hydrology, 401, 177-189. https://doi.org/10.1016/j.jhydrol.2011.02.021
Nozari., H., & Tavakoli., F. (2019). Evaluation of the Efficiency of Linear and Nonlinear Models in Predicting Monthly Rainfall (Case Study: Hamedan Province). jwmr, 10(20), 1-12. https://doi.org/10.29252/jwmr.10.20.19 [in Persian]
Pai, P., F., & Hong,W., CH. (2006).Software reliability forecasting by support vector machines with simulated annealing algorithms. Journal of Systems and Software, 79, 747–755. https://doi.org/10.1016/j.jss.2005.02.025
Palmer, T. (2020). A vision for numerical weather prediction in 2030.arXiv preprint arXiv:2007.04830.
Polat, K., & Gunes., S. (2007). Classification of epileptic form EEG using a hybrid system based on decision tree classifier and fast Fourier transform. Applied Mathematics and Computation, 187(2), 1017-1026. https://doi.org/10.1016/j.amc.2006.09.022
Salimisartakhti, J., Zangooei, M., H., & Mozafari, K. (2012) Hepatitis disease diagnosis using a novel hybrid method based on support vector machine and simulated annealing (SVM-SA). Computer methods and programs in biomedicine, 108, 570–579. https://doi.org/10.1016/j.cmpb.2011.08.003
Sharfi, M., SamadianFard, S., & Hashemi, S. (2020). Forecasting monthly rainfall using genetic programming models and support vector machine. Rain catchment surface systems, 8(4), 71-63. https://www.sid.ir/paper/958629/fa [in Persian]
Tran, N., H., Chen, Z., & Rahman, S., S. (2003). Characterizing and Modeling of Naturally Fractured Reservoirs with the use of Object-Based Global Optimization. Petroleum Society’s Canadian International Petroleum Conference, Calgary, Alberta, Canada, 10 – 12. https://doi.org/10.2118/2003-179
Tripathi, Sh., Srinivas, V., & Nanjundiah, R., S. (2006). Downscaling of precipitation for climate change scenarios: A support vector machine approach. Journal of Hydrology, 330, 62- 640. 21- Vapnik V.N. 1998. Statistical learning theory. 1st Ed., Wiley, New York. https://doi.org/10.1016/j.jhydrol.2006.04.030
Wang, S., Feng, J., Liu, G, J., M., & Modelling, C. (2013). Application of seasonal time series model in the precipitation forecast. 58(3-4), 677-683. https://doi.org/10.1016/j.mcm.2011.10.034
ZabetPishkhani, N., Seydian, S., M., Heshmatpour, A., & Rouhani, H. (2016). Comparison of monthly rainfall patterning with SVM and ANFIS models (case study: City Gonbadkavos). Water and soil magazine. 30(1), 236-246. https://civilica.com/doc/666817 [in Persian]
)