تأثیر موجک بر افزایش دقت مدل‌های تخمینی در مدل‌سازی بارش-رواناب (مطالعۀ موردی: حوضۀ صوفی‌چای)

شافعی‎ زاده، م.، فتحیان، ح.، نیکبخت شهبازی، ع.ر. (1398). شبیه‌سازی پیوسته بارش- رواناب با استفاده از شبکه‌های عصبی مصنوعی بر مبنای انتخاب متغیرهای موثر ورودی با الگوریتم اطلاعات متقابل جزئی (PMI). تحقیقات منابع آب ایران، 15(2)، 144-161.

عفیفی، م.ا. (1398). شبیه‌سازی بارش- رواناب و پتانسیل سیل­ خیزی با استفاده از مدل HEC-HMS و منطق فازی مطالعۀ موردی حوضۀ آبریز رودبال در استان فارس. جغرافیای طبیعی، 12(46)، 111-127.

قربانی، م.ع.، ازانی، ع.، و محمودی وان ­علیا، س. مدل‌سازی بارش-رواناب با استفاده از مدل‌های هوشمند هیبریدی. تحقیقات منابع آب ایران، 11(2)، 146- 150.

کاووسی، م.، و خزیمه‌نژاد، ح. (1400). بررسی و مقایسه عملکرد 4 روش مدل‌سازی LS-SVM ،NN ، GEP و ANFIS-PSO در شبیه‌سازی بارش – رواناب (منطقۀ مورد مطالعه: هلیل رود - سد جیرفت). ایران مهندسی آبیاری و آب، 11(43)، 96- 110.

نوری، م، میرحسینی، س.م.، زینال‌زاده، ک.، و رهنما، م.ب. (1386). الگوی جدید بارش-رواناب حوضۀ آبریز هلیل ­رود با استفاده از مدل هیبرید شبکۀ عصبی-موجک. زمین‌شناسی مهندسی. 2(2)، 451-472.

Afifi, M.E. (2020). Simulation of rainfall-runoff and flood potential using model HEC-HMS and fuzzy logic (Case study of Rudbal Watershed in Fars Province). Physical Geography Quarterly, 12(46), 111-127 (in Persian).

Alizadeh, M.J., Kavianpour, M.R., Kisi, O., & Nourani, V. (2017). A new approach for simulating and forecasting the rainfall-runoff process within the next two months. Journal of Hydrology, 548, 588-597.

Beale, M., & Demuth, H. (1998). Neural network toolbox for use with MATLAB, User's Guide, The Math Works, Natick, 1-6.

Chen, X., Chau, K., Busari, A. (2015). A comparative study of population-based optimization algorithms for downstream river flow forecasting by a hybrid neural network model. Engineering Applications of Artificial Intelligence, 46, 258-268.

Dumka, B.B., & Kumar, P. (2021). Modeling rainfall-runoff using Artificial Neural Network (ANNs) and Wavelet based ANNs (WANNs) for Haripura am, Uttarakhand. Indian Journal of Ecology, 48(1), 271-274.

Ghorbani, M.A., Azani, A., & Mahmoudi Vanolya, S. (2015). Rainfall-Runoff Modeling Using Hybrid Intelligent Models. Iran-Water Resources Research, 11(2), 146-150 (in Persian).

Jeong, D.I., & Kim, Y.O. (2005). Rainfall-runoff models using artificial neural networks for ensemble streamflow prediction Hydrological processes. Hydrological Processes, 19(19), 3819-3835.

Kavusi, M., & Khozeymeh Nejad, H. (2021). Review and compare performance of 4 modeling methods LS-SVM, NN, GEP and ANFIS-PSO in Simulation of Rainfall - Runoff (Study Area: Halil River - Jiroft Dam). Irrigation &Water Engineering, 11(43), 96-110 (in Persian).

Kim, T.W., & Valdés, J.B. (2003). Nonlinear Model for Drought Forecasting Based on a Conjunction of Wavelet Transforms and Neural Networks. Journal of Hydrologic Engineering, 8(6), 319–328.

Nourani, V., Khanghah, T.R., & Baghanam, A.H. (2015). Application of entropy concept for input selection of wavelet-ANN based rainfall-runoff modeling. Journal of Environmental Informatics, 26, 52–70.

Nourani, V., Tajbakhsh, A.D., Molajou, A., & Gokcekus, H. (2019). Hybrid Wavelet-M5 Model Tree for Rainfall-Runoff Modeling. Journal of Hydrologic Engineering, 24(5).

Nouri, M., Mirhosseini, S.M., Zeynalzadeh, K., & Rahnama, M.B. (2008). New pattern of Halil River Basin’s rainfall-runoff by using of hybrid neural wavelet network model. Journal of Engineering Geology, 2(2), 451-472 (in Persian).

Riad, S., Mania, J., Bouchaou, L., & Najjar, Y. (2019). Rainfall-runoff model usingan artificial neural network approach. Mathematical and Computer Modelling, 40(7-8), 839-846.

Shafeizadeh, M., Fathian, H., & Nikbakht Shahbazi, A. (2019). Continuous Rainfall-Runoff Simulation by Artificial Neural Networks Based on Selection of Effective Input Variables Using Partial Mutual Information (PMI) Algorithm. Iran-Water Resources Research, 15(2), 144-161 (in Persian).

Sharghi, E., Nourani, V., Molajou, A., & Najafi, H. (2019). Conjunction of emotional ANN (EANN) and wavelet transform for rainfall-runoff modeling. Journal of Hydroinformatics, 21(1), 136–152.

Sharghi, E., Nourani, V., Najafi, H., & Molajou, A. (2018). Emotional ANN (EANN) and Wavelet-ANN (WANN) approaches for markovian and seasonal based modeling of rainfall-runoff process. Water Resources Management, 32, 3441–3456.

Tikhamarine, Y., Souag-Gamane, D., Ahmed, A.N., Sammen, S.SH., Kisi, O., Huang, Y.F., & El-Shafie, A. (2020). Rainfall-runoff modelling using improved machine learning methods: Harris hawks optimizer vs. particle swarm optimization. Journal of Hydrology, 589 (11–12),125133

Vapnik, V.N. (1988). Statistical Learning Theory. John Wiley, New York.