تحلیل منطقه‏ای سیلاب با مقایسه مدل‏های الگوریتم درخت تصمیم‏گیری M5 و رگرسیونی

1-البرزی، م. 1381. آشنایی با شبکه های عصبی مصنوعی، انتشارات دانشگاه صنعتی امیر کبیر. 137 صفحه.

2-بی‏نام. 1384. اطلس ملی منابع آب ایران. انتشارات معاونت استفاده و مدیریت منابع آب ایران.

3-ثروتی، م. ع. قنبری، 1386. برآورد سیلاب در حوضه رودخانه وربند لارستان. فصلنامه جغرافیایی سرزمین، علمی .14(4) 74-55.

4-رسول‏زاده، ع، آذرتاج، الف. و پ. فرضی. 1394. ایجاد و بررسی مدل های مختلف تحلیل منطقه ای تناوب سیلاب تابعی از دوره بازگشت(مطالعه موردی: استان اردبیل). نشریه پژوهش های حفاظت آب و خاک، 23(4): 268-261.

5-سلیمانی، ک و ا. یوسفی. 1380. بررسی نقش عوامل فیزیوگرافیک حوضه بر دبی های حداکثر در زیر حوضه‏های گرگان رود. مجله علوم کشاورزی و منابع طبیعی. (4)171-164.

6-شادمانی، م، معروفی، ص. و ک. محمدی. 1390. مدلسازی منطقه‏ای دبی سیلابی در استان همدان با استفاده از شبکه عصبی مصنوعی. مجله علوم کشاورزی و منابع طبیعی گرگان ، 18(4). 21-42

7-شقیعی، م. شیرزاد، م. ن. نیک نیا،1386. تحلیل منطقه ای سیلاب توسط شبکه های عصبی مصنوعی( مطالعه موردی: حوضه ماسال استان گیلان). دومین کنفرانس مدیریت منابع آب، گیلان.

8-علیزاده، الف. 1392. هیدرولوژی کاربردی. انتشارات دانشگاه فردوسی مشهد.

9-هاشمی،1382. هیدرولوژی مهندسی. انتشارات شعرا، چاپ اول.

10.-Aziz.K, Rahman. A , Fang.G,Shrestha.S, (2014) Application of artificial neural networks in regional flood frequency analysis: a case study for Australia, 28: 541-554

11-Bhattacharya, B. and D.P. Solomatine. 2005. Neural networks and M5 model trees in modelling water level–discharge relationship Journal of  Neurocomputing, 63(1): 407-412.

12-Boughton, W.C.1984. Flood freuency characteristics of some Arizona watersheds. Water Resources Bulletin 20(5): 761-769.

13- Chavoshi, S. and Eslamian, S.S., 1999. Regional flood frequency analysis in Zayandeh-Roud watershed using the Hybrid method. JWSS-Isfahan University of Technology, 3(3), pp.1-12.

14-Chiari, F et al. 2000; Predidtion of the Hydrologic Behavior of watershed using artificial neural network and Geographic information system. IEEE.1:382-386.

15-Dawson, C.W. Abrahart, R.J. Shamseldin, A.Y. and Wilby, R.L. 2006. Flood estimation at ungauged sites using artificial neural networks.  Journal of Hydrology. 319:4.  p 391-409.

16-Dayhoff, J.E. 1990. Neural Network Principles. Prentice-Hall International. U.S.A. 197 pp.

17-Dibike,Y.B. Solomatine,D. P. 2001. River flow forecasting using artificial neural networks. Physics and Chemistry of the Earth, [Journal]. - [s.l.] : Hydrology, Oceans and Atmosphere,. - 1 : Vol. 26. - pp. 1-7.

18- Dimitri, P. Solomatine and Yunpeng Xue. 2004.” M5 Model Trees and Neural Networks: Application to Flood Forecasting in the Upper Reach of the Huai River in China”, Journal of Hydrologic Engineering, Vol. 9, No. 6, P 491-591

19-Etemad-Shahidi, A. and L. Bonakdar. 2009. Design of rubble-mound breakwaters using M5′ machine learning method. Journal of Applied Ocean Research. 31(3): 197-201.

20-Etemad-Shahidi, A. and J. Mahjoobi. 2009. Comparison between M5′ model tree and neural networks for prediction of significant wave height in Lake Superior. Journal of Ocean Engineering. 36(15): 1175-1181.

21-Fausett, L. 1994. Fundamentals of neural networks architectures algorithms and applications. Prentice-Hall Inc. New Jersey. 476 pp.

22-Heinz, D.F. and J.R. Stedinger .  1998.  Using regional regression within index flood procedures and an empirical Bayesian estimator. Journal of Hydrology No.210. P 128-145.

23-Mehmed, K. 2003. Data Mining: Concepts, Models, Methods, and Algorithms. Journal of IEEE Computer Society, IEEE Press.

24-Mitchell, T.M. 1997. Machine Learning McGrow-Hill.

25-Nassajian Zavareh M.H., Vafakhah, M., and Telvari, A.R. 2011. Regional Flood Frequency Analysis in the Part of Large Central Watershed of Iran. Watershed Management Science and Engineering.

26-Nourani V. M. Komasi. 2013. A geomorphology-based ANFIS model for multi-station modeling of rainfall-runoff process.  Journal of Hydrology,  p. 41-55.

27-Kurtulus, B. and M. Razack. 2010. Modeling daily discharge responses of a large karstic aquifer using soft computing methods: artificial neural network and neurofuzzy. Journal of Hydrology, 381: 101-111.

28-Quinlan, J.R. 1992. Learning with continuous classe. Paper presented at the Proceedings of the 5th Australian joint Conference on Artificial Intelligence, Hobart, Tasmania. 343-348.

29- Riad, S., and Mania, J. 2004. Rainfall Runoff Model Using an Artificial Neural Network Approach, Mathematical and Computer Modeling, 40: 839-846

30- Ross, T.J. 1995. Fuzzy logic with engineering application. McGraw Hill Inc. USA. p:585.

31-Sadheer.K.P,Gosain.A.K,Ramassastri.K.S. 2002. A data algorithm for consrusting artificial neural network rainfall-runoff models.  Journal of Hydrology. 128(16):1325-1330.

32- Tabari, H., Marofi, S., and Savziparvar, A.  2010. “Estimation of daily pan evaporation using artificial neural networks.

33-Wang, Y. and I.H. Witten. 1997. Induction of model trees for predicting continuous lasses. In Proceedings of the Poster Papers of the European Conference on Machine Learning, University of Economics. Faculty of Informatics and Statistics, Prague.

34-Webster, R. and M.A. Oliver. 2001. Geostatistics for Environmental Scientists. John Wiley and Sons, New York.

35-Zare Abyaneh, H. and M. Bayat Varkeshi. 2011. Evaluation of artificial intelligent and empirical models in estimation of annual runoff. Journal of Water and Soil. 25(2): 365-379.

36-Zhang, D. and J.P. Tsai. 2007. Advances in Machine Learning Applications in Software Engineering, Idea Group Inc.