اسدی، م.، و فتح‌زاده، ع. (1397). بررسی کارایی مدل‌های مبتنی بر هوش محاسباتی در برآورد بار معلق رودخانه (مطالعه موردی: استان گیلان). مرتع و آبخیزداری، منابع طبیعی ایران، 1(71)، 45-60.
انصاری، ح.، و داوری، ک. (1387). پهنه‌بندی دوره خشک با استفاده از شاخص بارش استاندارد در محیط GIS. تحقیقات جغرافیایی، 39(60)، 108-98.
خلیقی سیگارودی، ش.، صادقی سنگدهی، س.ع.، اوسطی، خ.، و قویدل رحیمی، ی. (1388). مطالعه مدل‌های ارزیابی خشکسالی سال مرطوب برای ایستگاه‌های استان مازندران. تحقیقات حوزة آبخیز و بیابان ایران، 16(1)، 44-54.
سپه‌وند، ع.، نظری سامانی، ع.، محمدیان، ه.، احمدی، ح.، و فیض‌نیا، س. (1399). تغییرات بار فصلی رسوب انحلالی و تعیین سرعت انحلال‌پذیری سازندهای آهکی. علوم و مهندسی آبخیزداری ایران، ۱۴(۴۸)، 21-32.
سپه‌وند، ع.، و عزیزی نجفقلی، ز. (1399). مدل‌سازی رسوب معلق با استفاده از مدل‌های فرآیند گوسی و پرسپترون چند لایه. پانزدهمین همایش ملی علوم و مهندسی آبخیزداری ایران، دانشگاه علوم کشاورزی و منابع طبیعی ساری.
ستاری، م.، رضازاده جودی، ع.، صفدری، ف.، و قهرمانزاده، ف. (1395). ارزیابی عملکرد روش‌های مدل درختی M5 و رگرسیون بردار پشتیبان در مدل‌سازی رسوب معلق رودخانه. حفاظت منابع آب و خاک، 6(1)، 109-124.
سلیمانی، ل.، دریکوند، ب.، و سپه‌وند، ع. (1401). مدل‌سازی نفوذپذیری در کلاس‌های مختلف بافت خاک با استفاده از الگوریتم‌های یادگیری. پژوهش‌های آبخیزداری، 35(4)، 1-15.
عشقی، پ.، دستورانی، م.ت.، عرب اسدی، ز.، و فرزاد مهر، ج. (1395). بررسی کارایی مدل‌های هوشمند در برآورد رسوبات معلق رودخانه‌ای. مدیریت حوزة آبخیز، 7(14)، 88-95.
قبادیان، ر.، و شکری، ح. (1398). بررسی عددی عوامل موثر بر توزیع غلظت رسوب نامتعادل در رودخانه‌های طبیعی. آب و خاک (علوم و صنایع کشاورزی)، 2(34)، 241-253.
کوهستانی، و.ر.، حسنلوراد، م.، و بازرگان لاری، م. (1395.). پیش‌بینی ظرفیت باربری نهایی پی‌های سطحی واقع بر خاک‌های دانه‌ای با استفاده از مدل درختی M5P. مهندسی عمران فردوسی. 2(27)، 110-99.
محمدی، ص. (1398). شبیه‌سازی بار رسوب معلق با استفاده از روش‌های شبکه عصبی مصنوعی، عصبی-فازی و منحنی سنجه رسوب در حوزة آبخیز هلیل‌رود. مهندسی و مدیریت آبخیز، 2(11)، 452-466.
مصطفی‌زاده، ر.، و ذبیحی، م. (1395). مقایسه شاخص‌های SPI , SPEI در ارزیابی خشکسالی هواشناسی با استفاده از برنامه‌نویسی R. فیزیک زمین و فضا، (42)، 633-643.
میرفلاح نصیری، س.، امیری، ا.، و شادابی بجند، م. (1399). مدل‌سازی برآورد میزان رسوب معلق رودخانه پسیخان با استفاده از شبکه مصنوعی درخت تصمیم. حفاظت منابع آب و خاک، 10(2)، 31-42.
Adnan Khan, M., Stamm, J., & Haider, S. (2021). Assessment of soft computing techniques for the prediction of suspended sediment loads in rivers.Applied Science, 11, 82-90.
Ansari, H., & Davari, K. (2008). Classification of dry period using standard precipitation index in GIS environment. Geographical Research, 39(60), 98-108 (in Persian).
Asadi, M., & Fathzadeh, A. (2017). Investigating the effectiveness of computational intelligence-based models in river load estimation (case study: Gilan province). Range and Watershed Management, Journal of Natural Resources of Iran, 1(71), 45-60 (in Persian).
Bazuhair, S.A., Gohani, A., & Sen, Z. (1997). Determination of monthly wet and dry periods in Saudi Arabia. International Journal of Climatology, 17, 303-311.
Bonakdar, L., & Etemad Shahidi, A. (2011). Predicting wave run-up on rubble-mound structures using M5 model tree. Ocean Engineering, (38), 111-118.
Breiman, L. (1996). Bagging predictors. Machine Learning, 24(2), 123–140.
Doroudi, S., Sharafati, A., & Mohajeri, S.H. (2021). Estimation of daily suspended sediment load using a novel hybrid support vector regression model incorporated with observer-teacher-learner-based optimization method. Complexity, 5540284, 1-13.
Eshghi, P., Farzad Mehr, J., Dasturani, M.T., & Arabasadi, Z. (2015). Investigating the efficiency of intelligent models in estimating river suspended sediments. Watershed Management Research Journal, 7(14), 88-95 (in Persian).
Khalighi, Sh., Sadeghi Sangehi, S.A., Osta, Kh., & Qavidel Rahimi, Y. (2009). A study of wet year drought assessment models for stations in Mazandaran province. Iranian Watershed and Desert Research Journal, 16(1), 44-54 (in Persian).
Kohestani, V.R., Hasanlorad, M., & Bazargan Lari, M. (2016). Prediction of the ultimate bearing capacity of surface foundations located on granular soils using the M5P tree model. Ferdowsi Civil Engineering, 2(27), 99-110 (in Persian).
Malik, A., Kumar, A., & Piri, J. (2017). Daily suspended sediment concentration simulation using hydrological data of Pranhita River Basin, India. Computers and Electronics in Agriculture, 1(138), 20-28.
Mirfalah Nasiri, S., Amiri, E., & Shadabi Bejand, M. (2019). Modeling the estimation of the amount of suspended sediment in the Pasikhan River using the artificial decision tree network. Journal of Water and Soil Resources Protection, 10(2), 31-42 (in Persian).
Mohammadi, S. (2018). Simulation of suspended sediment load using artificial neural network, neural-fuzzy and sediment gauge curve methods in Halil-Roud watershed. Scientific-Research Journal of Watershed Engineering and Management, 2(11), 452-466 (in Persian).
Mostafazadeh, R., & Zabihi, M. (2016). Comparison of SPI, SPEI indices in meteorological drought assessment using R programming (study area: Kurdistan province). Journal of Earth and Space Physics, 42, 633-643 (in Persian).
Nourani , V., Gokcekus , H., & Gelete , G. (2020). Estimation of suspended sediment load using artificial intelligence-based ensemble model. Complexity, 1-19.
Pal, M., & Deswal, S. (2010). Modelling pile capacity using Gaussian process regression. Computers and Geotechnics, 37, 942-947.
Pal, M. (2005). Random forest classifier for remote sensing classification. International Journal of Remote Sensing, 26(1), 217-222.
Prasad, A.M., Iverson, L.R., & Liaw, A. (2006). Newer classification and regression tree techniques: Bagging and random forests for ecological prediction. Ecosystems, 9(2), 181-199.
Qobadian, R., & Shokri, H. (2018). Numerical investigation of factors affecting the distribution of unbalanced sediment concentration in natural rivers (case study: Qarasu River, Kermanshah). Water and Soil (Agricultural Sciences and Industries), 2(34), 241-253 (in Persian).
Quinlan, J.R. (1992). Learning with continuous classes. In Proceedings of the 5th Australian joint Conference on Artificial Intelligence. Hobart: Singapore.
Rahul, A.K., Shivhare, N., Kumar, S., Dwivedi, S.B., & Dikshit, P.K.S. (2021). Modelling of daily suspended sediment concentration using FFBPNN and SVM algorithms. Journal of Soft Computing in Civil Engineering, 5(2),120-134.
Sattari, M., Rezazade Jodi, A., Safdari, F., & Kahramanzadeh, F. (2015). Performance evaluation of M5 tree model and support vector regression methods in river suspended sediment modeling. Journal of Water and Soil Resources Protection, 6(1), 109-124 (in Persian).
Sepahvand, A., & Azizi Najafkali, Z. (2019). Suspended sediment modeling using Gaussian process and multi-layer perceptron models. 15th National conference on Watershed Management Sciences and Engineering of Iran, Sari, Iran.
Sepahvand A., Nazari Samani, A.A., Mohammadian, H., Ahmadi, H., & Feiz Nia, S. (2020). Seasonal variation of the solute and determine the solubility of limestone formations. Iranian Journal of Watershed Management Science and Engineering, 14(48), 21-32.
Sepahvand, A., Singh, B., Sihag, P., Nazari, A., Hasan Ahmadi, S., & Fiz Nia, S. (2019). Assessment of the various soft computing techniques to predict sodium absorption ratio (SAR). ISH Journal of Hydraulic Engineering, 27, 124-135.
Shojaeezadeh, S.A., Nikoo, M.R., McNamara, J.P., AghaKouchak, A., & Sadegh, M. (2018). Stochastic modeling of suspended sediment load in alluvial rivers. Advances in Water Resources, 119, 188-196.
Smakhtin V.U. (2001). Low-flow hydrology: a review. Journal of Hydrology, (240), 147-186.
Soleimani, L., Derikund, B., & Sepehvand, A. (2021). Permeability modeling in different classes of soil texture using learning algorithms. Watershed Researches, 35(4), 1-150 (in Persian).
Wang, Y., & Witten, I.H. (1997). Inducing model trees for continuous classes. Proceedings of the Ninth European Conference on Machine Learning, Prague, Czech Republic: Springer.
Yang, D., Zhang, X., Pan, R., Wang, Y., & Chen, Z. (2018). A novel Gaussian process regression model for state-of-health estimation of lithium-ion battery using charging curve. Journal of Power Sources, 384, 387-395.
)
