اسکافی نوغانی، م.، مفتاح هلقی، م. و مساعدی ا. 1387. ارائه مدل رگرسیونی پیش‌بینی تلفات تبخیر بااستفاده از پارامترهای اندازه گیری شده هواشناسی. سومین کنفرانس مدیریت منابع آب ایران، 23 تا 25 مهر، دانشگاه تبریز، دانشکده مهندسی عمران، تبریز.
خداشناس، س.ر.، قهرمان، ب.، داوری، ک. و ناظریان، ح 1387. ارائه مدلهای رگرسیونی چند متغیره برآورد رسوب درحوضههای شمال اسـتان خراسان. مجله آب و خاک، 2: 150-165.
سیفی، ا.، میرلطیفی، س.م. و ریاحی، ح. 1389. توسعه مدل ترکیبی رگرسیون چندگانه-تحلیل مولفهها و عاملهای اصلی (PCA-MLR) در پیش بینی تبخیر-تعرق مرجع. نشریه آب و خاک، 24(6): 1186-1196.
شیخ الاسلامی، ن.، قهرمان، ب.، مساعدی، ا.، داوری، ک. و مهاجرپور م. 1393. پیش بینی تبخیر و تعرق گیاه مرجع (ETO) با استفاده از روش آنالیز مؤلفه های اصلی (PCA) و توسعه مدل رگرسیونی خطی چندگانه (PCA_MLR). نشریه آب و خاک (علوم و صنایع کشاورزی)، 28(2): 420-429.
فکری، ن.، اسماعیلی، ح.، دوستی، ح. و پارسایی، ر. 1390. بررسی کاربرد رگرسیون ریچ در علوم پزشکی. نشریه دانشجویی آمار (ندا)، سال یازدهم. شماره اول: 12-19.
نوری، ر.ا.، اشرفی، خ. و اژدرپور، ا. 1387. مقایسه کاربرد روشهای شبکه عصبی مصنوعی و رگرسیون خطی چندمتغیره بر اساس تحلیل مولفههای اصلی برای پیش‌بینی غلظت میانگین روزانه کربن مونوکسید: بررسی موردی شهر تهران. مجله فیزیک زمین و فضا، 34: 135-152.
Almedeij J. 2012. Modeling Pan Evaporation for Kuwait by Multiple Linear Regression. The Scientific World Journal. 9: 10-11.
Balan B, S Mohaghegh, and Ameri S. 1995. State- of- Art- in permeability determination from well log data: Part 1- A comparative study. Model development. SPE. 30978:17-25.
Bowker A.H, and Lieberman G.J. 1972. Engineering Statistics. Prentice-Hall.
Bruton JM, Mcclendon RW, and Hoogenboom G. 2000. Estimating daily pan evaporation with artificial neural networks. Trans ASAE.43(2):491–496.
Chow V. T. Maidment D. R. and Mays L.W. 1988. Applied Hydrology. McGraw hill, Newyork.
Googhari SK. 2012. Daily pan evaporation estimation using a neuro-fuzzy-based model. J Agric Sci Tech. 2: 223–228.
Hirsch R.M, Helsel D.R, Cohn T.A, Gilroy E.J. 1993. Statistical Analysis of Hydrologic Data. In: Handbook of Hydrology. Chapter 17. Maidement, R. Mc GRAW-Hill, INC.
Kisi O. 2009. Modeling monthly evaporation using two different neural computing techniques. Irrig Sci. 27:417–430.
Ladlani I, Hauichi L, Dhemili L, Heddem S, and Blouze Kh. 2012. Estimation of Daily Refrence Evapotranspiration in the North of Algeria using Adaptive Neuro-Fuzzy Inference System (ANFIS) and Multiple Linear Regression (MLR) Models: A Comparative Study. Arab J Sci Eng.39: 5959-5969.
Li, Y.F. Min, X. and Thong-ngee, G. 2010. Adaptive ridge regression system for software cost estimating on multi-collinear datasets. The Journal of System and Software. 83: 2332-2343.
Malik A, Kumar A. 2015. Pan Evaporation Simulation Based on Daily Meteorological Data Using Soft Computing Techniques and Multiple Linear Regression. Water Resour Manage. 29: 1859-1872 .
Mallik A.P, Jyothy S.A, and Sekhar Reddy K.C. 2013. Daily Reference Evapotranspiration Estimation using Linear Regression and ANN Models. The Institution of Engineers (India). 93(4):215–221.
Salas, J.D. 1993. Analysis and modeling of hydrological time series, Handbook of Hydrology, edited by David R. Maidment, McGraw-Hill, New York.
Shirgure PS, and Rajput GS. 2012. Prediction of daily pan evaporation using neural networks models. Sci J Agric. 1(5):126–137.
Shirgure PS. 2011. Evaporation modeling with neural networks-A research review. Int J Res Rev Soft Intell Comput. 1(2):37–47.
Shirsath P.b, and Kumar A.S. 2009 . A Comparative Study of Daily Pan Evaporation Estimation Using ANN, Regression and Climate Based Models.Water Resour Manage. 24: 1571-1581.
Shirsath PB, Singh AK. 2010. A comparative study of daily pan evaporation estimation using ANN, regression and climate based models. Water Resour Manag. 24:1571–1581.
)
ارسال نظر در مورد این مقاله