احمدزادهکلیبر، ف.، شاهمحمدیکلالق, ش.، فردمرادینیا, س. 1403. شبیهسازی تغییرات ضریب یکنواختی توزیع آب در سامانههای آبیاری بارانی کلاسیک ثابت با استفاده از مدلهای دادهکاوی. رویکردهای نوین در مهندسی آب و محیطزیست، 3(2): 135-118.
باقری، ن.، قاسمی، ا.ر. 1402. مدلسازی تبخیر روزانه از تشت با استفاده از برنامه نویسی بیانژن و سریهای زمانی در استان خوزستان. پژوهش آب ایران، 17(2): 1-11.
برزکار، ع.، شهابی، س.، نیازمردی، س.، مددی، م.ر. 1400. ارزیابی قابلیت برنامهریزی بیانژن در تخمین تبخیرتعرق پتانسیل در مقایسه با رابطه هارگریوز-سامانی. مهندسی آبیاری و آب ایران، 11(4): 316-330.
حقیزاده، ع.، بیات، و.، ارشیا، آ. 1398. برآورد تبخیر و تعرق پتانسیل ایستگاههای سینوپتیک کرمانشاه با استفاده از مدل برنامهنویس ژنتیکی. فضای جغرافیایی، ۱۹(۶۷): 29-42.
زارع ابیانه، ح.، بیات ورکشی، م.، معروفی، ص. 1390. محاسبه تبخیر و تعرق واقعی گیاه سیر به روش مدلسازی چندگانه تحت شرایط کاشت لایسیمتر. پژوهش های حفاظت آب و خاک، 18(2): 141-159.
شادمانی، م.، معروفی، ص. 1390. مقایسه چند روش برآورد تبخیر روزانه از تشت-مطالعه موردی منطقه کرمان. علوم آب و خاک، ۱۵(۵۵): 84-69.
طباطبائی، س.م.، ناظری تهرودی، م.، دستورانی، م. 1397. مقایسه عملکرد مدلهایGP ،ANN ، BCSD و SVM در شبیهسازی دما. هواشناسی و علوم جوّ. 1(1): 53-64.
عیسیزاده، م.، شیرزاد، م.، رضایی بنفشه، م. 1396. ارزیابی عملکرد شبکۀ عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM) در تخمین مقادیر روزانۀ تبخیر (مطالعۀ موردی: ایستگاههای هواشناسی تبریز و مراغه). پژوهش های جغرافیای طبیعی، 49(1): 151-168.
فولادیپناه، م.، ماجدیاصل، م. 1401. کاربرد محاسبات نرم در افزایش دقت پیشبینی ضریب دبی جریان سرریزهای جانبی مستطیلی. مهندسی آبیاری و آب ایران، 12(4): 213-233.
ماجدیاصل، م.، فولادیپناه، م.، ذیفر، ر.، قسمی، ز. 1400. استخراج منحنی دبی- اشل در سرریز کلید پیانویی مستغرق استاندارد و اصلاح شده با استفاده از الگوریتمهای هوشمند. هیدرولیک، 16(2): 59-72.
محجوبی، ع.، عبدلآبادی، ح.، محجوبی، ج.، غفوری، ا. 1402. بررسی عملکرد مدلهای دادهکاوی در پیشبینی بارش و تحلیل وضعیت خشکسالی ایستگاه سینوپتیک بندرعباس. مدیریت آب و آبیاری، 13(2): 429-499.
محمدرضاپور، ا. 1396. پیشبینی تبخیر-تعرق پتانسیل ماهانه با استفاده از مدلهای ماشین بردار پشتیبان، برنامهریزی ژنتیک و سیستم استنتاج عصبی-فازی. مهندسی آبیاری و آب ایران، 7(3): 135-150.
ملکاحمدی، ح.، میرزانیا، ا.، خسروی، س.، ابراهیمزاده، ع. 1401. مدلسازی فرایند تبخیر- تعرق روزانه با استفاده از مدلهای رگرسیونی و هوشمند. پژوهش آب ایران، 16(1): 49-62.
ناظری تهرودی، م.، امیرآبادی زاده، م.، زینلی، م.ج. 1397. بررسی روشهای هوش مصنوعی و رگرسیونی در شبیهسازی مقادیر دمای روزانه. هواشناسی و علوم جوّ، 1(1): 65-76.
Achite, M., Jehanzaib, M., Sattari, M.T., Toubal, A.K., Elshaboury, N., Wałęga, A., Krakauer, N., Yoo, J.Y., Kim, T.W. 2022. Modern techniques to modeling reference evapotranspiration in a semiarid area based on ANN and GEP models. Water, 14(8): 1210. https://doi.org/10.3390/w14081210
Ahmadzadeh-Kaleybar, F., Shahmohammadi Kalalagh, S., Fard Moradinia, S. 2024. Simulating of Changes in Water Distribution Uniformity Coefficient in Classic Stationary Sprinkler Irrigation Using Data-Mining Models. Journal of New Approaches in Water Engineering and Environment, 3(2): 118-135. (In Persian) doi: 10.22034/nawee.2024.471274.1100
Bagheri, N., Ghasemi, A., Nasr-Esfahani, M.A. 2023. Modeling of pan evaporation using Gene Expression Programming and time series in Khuzestan. Iranian Water Research Journal, 17(49): 1-11. (In Persian) https://doi.org/10.22034/iwrj.2023.14189.2480
Barzkar, A., Shahabi, S., Niazmradi, S., Madadi, M.R. 2021. Gene Expression Programming Capability Assessment in Estimating the Potential Evapotranspiration Compared to Hargreaves-Samani Equation. Irrigation and Water Engineering, 11(44): 316-330. (In Persian) https://doi.org/10.22125/iwe.2021.133766
Chow, V.T., Maidment, D.R., Mays, L.W. 1988. Applied hydrology. New York, NY: McGraw-Hill.
Deo, R.C., Kisi, O., Singh, V.P. 2017. Drought forecasting in eastern Australia using multivariate adaptive regression spline, least square support vector machine and M5Tree model. Atmospheric Research, 184: 149-175. https://doi.org/10.1016/j.atmosres.2016.10.004
Ferreira, C. 2006. Gene expression programming: mathematical modeling by an artificial intelligence (Vol. 21). Springer.
Fuladipanah, M., Majedi-Asl, M. 2022. Soft Computing Application to Amplify Discharge Coefficient Prediction in Side Rectangular Weirs. Irrigation & Water Engineering, 12(48): 213-233. (In Persian) https://doi.org/10.22125/iwe.2022.150692
Ghorbani, M.A., Kazempour, R., Chau, K.W., Shamshirband, S., Taherei Ghazvinei, P. 2018. Forecasting pan evaporation with an integrated artificial neural network quantumbehaved particle swarm optimization model: a case study in Talesh. Northern Iran. Engineering Applications of Computational Fluid Mechanics, 12(1): 724-737. https://doi.org/10.1080/19942060.2018.1517052
Haghizadeh, A., Bayat, V., Arshia, A. 2019. Estimation of The Evapotranspiration potential of Kermanshah synoptic stations Using Genetic Programming. Geographic Space, 19(67): 29-42. (In Persian) http://geographical-space.iau-ahar.ac.ir/article-1-2967-en.html
Isazadeh, M., Shirzad, M., Rezaei Banafsheh, M. 2017. Evaluation of the Performance of Artificial Neural Network and Support Vector Machine Models in Estimation of Daily Evaporation amounts (Case study: Tabriz and Maragheh Synoptic Stations). Physical Geography Research, 49(1): 151-168. (In Persian) https://doi.org/10.22059/jphgr.2017.61585
Jain S.K., Das A., Srivastsva, D.k. 1999. Application of ANN for reservoir inflow prediction and operation. Journal of Water Resources Planning and Management, 125(5): 263-271. https://doi.org/10.1061/(ASCE)0733-9496(1999)125:5(263)
Kim, S., Kim, H.S. 2008. Neural networks and genetic algorithm approach for nonlinear evaporation and evapotranspiration modeling. Journal of Hydrology, 351: 299-317. https://doi.org/10.1016/j.jhydrol.2007.12.014
Kisi, O. 2015. Pan evaporation modeling using least square support vector machine، multivariate adaptive regression splines and M5 model tree. Journal of Hydrology. 528: 312-320. https://doi.org/10.1016/j.jhydrol.2015.06.052
Kisi, O. 2016. Pan evaporation modeling using least square support vector machine, multivariate adaptive regression splines and M5 model tree. Journal of Hydrology, 528: 312-320. https://doi.org/10.1016/j.jhydrol.2015.06.052
Kisi, O., Azamathulla, H. M., Cevat, F., Kulls, C., Kuhdaragh, M., Fuladipanah, M. 2024. Enhancing river flow predictions: Comparative analysis of machine learning approaches in modeling stage-discharge relationship. Results in Engineering, 22: 102017. https://doi.org/10.1016/j.rineng.2024.102017
Koncar, N. 1997. Optimisation methodologies for direct inverse neurocentral (Doctoral dissertation, University of London).
Liu, S., Bai, J., Jia, Z., Jia, L., Zhou, H., Lu, L. 2010. Estimation of evapotranspiration in the Mu Us Sandland of China. Hydrology and Earth System sciences, 14: 573-584. https://doi.org/10.5194/hess-14-573-2010, 2010
Mahjoobi, E., Abdolabadi, H., Mahjoobi, J., Ghafoori, E. 2023. Investigating the Performance of Data Mining Models in Rainfall Forecasting and Drought Analysis of Bandar Abbas Synoptic Station. Water and Irrigation Management, 13(2): 429-499. (In Persian) https://dorl.net/dor/20.1001.1.22516298.1402.13.2.9.3
Majedi-Asl, M., Fuladipanah, M., Zifar, R., Gasami, Z. 2021. Extraction of head-discharge relationship for submerged standard and modified piano key weirs using intelligent algorithms. Journal of Hydraulics, 16(2): 59-72. (In Persian) 10.30482/jhyd.2021.265840.1500
Majhi, B., Naidu D. 2021. Pan evaporation modeling in different agroclimatic zones using functional link artificial neural network. Information Processing in Agriculture, 8(1): 134-147. https://doi.org/10.1016/j.inpa.2020.02.007
Malekahmadi, H., Mirzania, E., khosravi, S., Ebrahim Zadeh, A. 2022. Daily evapotranspiration modeling using regression and intelligent models (Case Study). Iranian Water Researches Journal, 16(1), 49-62. (In Persian) https://doi.org/10.22034/iwrj.2022.10026.2338
Mohamadrezapour, O. 2017. Monthly Forecast of Potential Evapotranspiration Models Using Support Vector Machine (SVM), Genetic programming and Neural - Fuzzy Inference System. Journal of Irrigation and Water Engineering, 7(21): 135-150. (In Persian)
Moradinejad, A., parsaie, A., Hosseini, S.A., Tabatabaei, M. 2025. Assessing Soft Computing Techniques for River Suspended Sediment Estimation. Journal of New Approaches in Water Engineering and Environment, 4(2): 188-212. doi: 10.22034/nawee.2025.514714.1147.
Nazeri Tahroudi, M., Amirabadyzadeh, M., Zeynali, M. 2018. Evaluation of the Accuracy of Artificial Intelligence and Regression Models in Simulation the Daily Temperature. Journal of Meteorology and Atmospheric Science, 1(1), 65-76. (In Persian)
Noori R., Khakpour, A., Omidvar, B., Farokhnia, A. 2010. Comparison of ANN and principal component analysis-multivariate linear regression models for predicting the river flow based on developed discrepancy ratio statistics. Expert Systems with Applications 37: 5856-5862. https://doi.org/10.1016/j.eswa.2010.02.020
Nourani, V., Elkiran, G., Abdullahi, J. 2019. Multi-station artificial intelligence-based ensemble modeling of reference evapotranspiration using pan evaporation measurements. Journal of Hydrology. 577, 13958. https://doi.org/10.1016/j.jhydrol.2019.123958
Patle, G.T., Chettri, M., Jhajharia, D. 2020. Monthly pan evaporation modelling using multiple linear regression and artificial neural network techniques. Water Supply. 20(3): 800-808. https://doi.org/10.2166/ws.2019.189
Qasem, S.N., Samadianfard, S., Kheshtgar, S., Jarhan, S., Kisi, O., Shamshirband, SH., Chau, K.W. 2019. Modeling monthly pan evaporation using wavelet support vector regression and wavelet artificial neural networks in arid and humid climates. Engineering Applications of Computational Fluid Mechanics. 13(1): 177-187. https://doi.org/10.1080/19942060.2018.1564702
Shadmani, M., Marofi, S. 2011. Comparison of Some Methods for Estimation of Daily Pan Evaporation: Case Study in Kerman Region. Journal of Water and Soil Science, 15(55): 69-84. (In Persian) http://dorl.net/dor/20.1001.1.24763594.1390.15.55.6.4
Shakeri yousefi, Sh., Najarchi, M., Fuladipanah, M., Rabani Bidgoli, M. 2025. Machine Learning models for High-Accuracy Prediction of Energy Dissipation Through Gabion Sills Downstream of Spillways. Journal of New Approaches in Water Engineering and Environment, 4(2): 91-106. doi: 10.22034/nawee.2025.507107.1140
Stefánsson, A., Koncar, N., Jones, A.J. 1997. A note on the gamma test. Neural Computing & Applications. 5(3): 131-133.
Taabtabaei, S., Nazeri Tahroudi, M., Dastourani, M. 2018. Performance comparison of GP, ANN, BCSD and SVM models for temperature simulation Comparison performance of GP, ANN, BCSD and SVM models in temperature simulation. Journal of Meteorology and Atmospheric Science, 1(1): 53-64. (In Persian)
Tabari, H., Marofi, S., Sabziparvar, A.A. 2010. Estimation of daily pan evaporation using artificial neural network and multivariate non-linear regression. Irrigation Sciences, 28: 399-406. https://doi.org/10.1007/s00271-009-0201-0
Vapnic V.N. 1988. Statistical Learning Theory. Wiley, NEW YORK, USA.
Wang L., Niu Z., Kisi O., Li C., Yu, D. 2017. Pan evaporation modeling using four different heuristic approaches. Computers and Electronics in Agriculture. 140: 203- 213. https://doi.org/10.1016/j.compag.2017.05.036
Zare Abyaneh, H., Bayat Varkeshi, M., Marofi, S. 2011. Forecasting of garlic (Allium sativum L.) evapotranspiration by using multiple modeling. Journal of Water and Soil Conservation, 18(2): 141-158. (In Persian)
