کاربرد مدل‌های شبکه عصبی مصنوعی در تخمین عملکرد محصول شلیل مغان تحت آبیاری شیاری دوطرفه

اسمعیل­ زاده کردخیلی، س. (1391). برآورد عملکرد برنج با استفاده از روش‏‌های زمین‏ آماری، شبکه‌های عصبی مصنوعی و رگرسیون چندگانه در شالیزارهای لشت نشای استان گیلان. پایان­ نامۀ کارشناسی ارشد، دانشگاه ولی­عصر رفسنجان.

رحمانی، ا.، لیاقت، ع.، و خلیلی، ع. (1387). تخمین عملکرد محصول جو در آذربایجان­ شرقی با استفاده از پارامترهای هواشناسی و شاخص ­های خشک­سالی به روش شبکه عصبی مصنوعی. تحقیقات آب و خاک ایران (علوم کشاورزی ایران)، 39(1)، 47-56.

زارع ابیانه، ح. (1391). ارزیابی روش­ های شبکه عصبی مصنوعی و زمین آمار در برآورد توزیع مکانی عملکرد گندم دیم و آبی (مطالعۀ موردی: خراسان رضوی). پژوهش­ های جغرافیای طبیعی، 44(4)، 23-42.

طالبی، ح. (1397). کالیبراسیون و بهبود شاخص ­های عملکرد آبیاری شیاری (مطالعۀ موردی: کشاورزی، صنعت و دامداری مغان). پایان­ نامۀ کارشناسی ارشد، دانشگاه محقق اردبیلی.

فتحی ترشیزی، م. (1391). ارزیابی میدانی مدل­ های آبیاری سطحی تحت آبیاری با آب شور (مطالعه موردی آبیاری شیاری). پایان ­نامۀ کارشناسی ارشد، دانشگاه فردوسی مشهد.

Akbarpour, A., Khorashadizadeh, A., Shahidi, A., & Ghochanian, A. (2013). Evaluation of artificial neural network model in estimation of Saffron crop performance based on climate parameters. Saffron Research Journal, 1(1), 27-35.

Alvarez, A. (2009). Predicting average regional yield and production of wheat in the Argentine Pampas by an artificial neural network approach. European Journal of Agronomy, 30, 70-77. 

Bagheri, S., Gheisari, M., Aubi, Sh. A., & Lavaie, N. (2012). Prediction of forage maize yield using artificial neural networks. Journal of Plant Production Research (JOPPR), 19(4), 77-94.

Bariklo, A., Alamdari P., Moravaj K., & Servati, M. (2017). Prediction of irrigated wheat yield by using hybrid algorithm methods of artificial neural networks and genetic algorithm. Journal of Water and Soil, 31 (3), 715-726.

Esmaielzadeh-KordKheili, S. (2012). Estimition of rice yield using statistical methods, artificial neural network and multi-regression methods in Giullan. M.Sc. Thesis, Vali-Asr University, Rafsanjan (in Persian).

FAO. (1992). CROPWAT a computer program for irrigation planning and management, by M. Smith. FAO Irrigation and Drainage Paper No. 46. Rome.

Fathi Tarshizi, M. (2012). Field evaluation of surface irrigation models under irrigation with saline water (Case study of furrow irrigation). M.Sc. Thesis, Ferdowsi University of Mashhad, Mashhad (in Persian).

Gershenfeld, N. A., & Gershenfeld, N. (1999). The nature of mathematical modeling. Cambridge university press.

Ghorbani, M. A., Shahabboddin, Sh., Zare Haghi, D., Azani, A., Bonakdari, H., & Ebtehaj, I. (2017). Application of Firefly algorithm-based support vector machines for prediction of filed capacity and permanent wilting point. Soil and Tillage Research, 172, 32-38.

Kaul, M., Hill, R.L., & Walthall, C. (2005). Artificial neural networks for corn and soybean yield prediction. Agricultural Systems, 85, 1-18. 

Landeras, G., Ortiz-Barredo, A., & López, J. (2009). Forecasting weekly evapotranspiration with ARIMA and artificial neural network models. Irrigation and Drainage Engineering, ASCE, 135, 323-334.

Merdun, H., Çınar, Ö., Meral, R., & Apan, M. (2009). Comparison of artificial neural network and regression pedotransfer functions for prediction of soil water retention and saturated hydraulic conductivity. Soil and Tillage Research, 90, 108-116.

Nourani, V., & Babakhani, A. (2012). Integration of artificial neural networks with radial basis function interpolation in earthfill dam seepage modeling. Journal of Computing in Civil Engineering, 27(2), 183-195.

Piri, J., Amin, S., Moghaddamnia, A., Keshavarz, A., Han, D., & Remesan, R. (2009). Daily pan evaporation modeling in a hot and dry climate. Journal of Hydrologic Engineering, ASCE, 15(8), 803-811.

Rahmani, E., Liaghat, A., & Khalili, A. (2008). Estimating barley yield in eastern azerbaijan using drought indices and climatic parameters by artificial neural network (ANN). Iranian Journal of Soil and Water Research, 39(1), 47-56 (in Persain).

Smith, B.A., Hoogenboom, G., & McClendon, R.W. (2009). Artificial neural networks for automated year-round temperature prediction. Computers and Electronics in Agriculture, 68(1), 52-61.  

Seiler, R.A., & Kogan, F. (1998). AVHRR-based vegetation and temperature condition indices for drought detection in Argentiana. Advances in Space Research, 21(3), 481-484.

Taghizadeh Mehrjerdi, R., Seyedjalali, S.A., & Sarmadian, F. (2016). Prediction of corn spatial yield by soil digital mapping in Gotend region (Khuzestan Province, Iran). Journal of plant production, 19 (4), 70-96.

Talebi, H. (2018). Calibration and improvement of furrow irrigation performance indices (case study: Moghan Agriculture, Industry and Animal Husbandry). M.Sc. Thesis,  Mohaghegh Ardabili University, Ardabil (in Persian). 

Zareh-Abyaneh, H. (2012). Evaluation of Artificial Neural Network and Geostatistical Methods in Estimating the Spatial Distribution of Irrigated and Dry Wheat Yield (Case Study: Khorasan Razavi). Physical Geography Research Quarterly, 44 (4), 23-42 (in Persian).