- ثنایینژاد سید حسین؛ نوری، سمیرا و هاشمی نیا، سید مجید (1390)، برآود تبخیر ـ تعرق واقعی با استفاده از تصاویر ماهوارهای در منطقه مشهد. نشریه آب و خاک (علوم صنایع و کشاورزی) مشهد، جلد 25، شماره 3، صص 547-540.
- جهانبخش، سعید؛ موحددانش، علی اصغر و مولوی، واحد (1380)، تحلیل مدلهای برآورد تبخیر ـ تعرق برای ایستگاه هواشناسی تبریز، مجله دانش کشاورزی، جلد11، شماره 2. صص 51- 65.
- دانشفراز، رسول (1394)، تحلیل حساسیت پارهای موثر بر میزان تبخیر روزانه با استفاده از الگوریتم Garson و شبکه عصبی مصنوعی (مطالعه موردی: شهر تبریز)، نشریه جغرافیا و برنامهریزی دانشگاه تبریز، شماره 54، صص 142-127.
- رحمیی خوب، علی و محمودی، علی (1390) برآورد تبخیر ـ تعرق واقعی از سطح حوضه آبریز با استفاده از مدلهای شبکه عصبی و حداقل دادههای هواشناسی ـ مطالعه موردی حوضه معرف امامه، نشریه تحقیقات منابع آب، شماره 4، صص 61-51.
- رمنیراس، ژان (1363)، اصول هیدرولوژی مهندسی، جلد اول، برگردان حسین صدقی، انتشارات مرکز نشر و ترجمه امور آب وزارت نیرو ـ تهران، چاپ سوم.
- سلطانی، جابر؛ مقدم نیا، علیرضا؛ پیری، جمشیو؛ میرمرادزهی، جواد (1392)، مقایسه کارآیی مدلهای تلفیقی NN-ARX و ANFIS با GA-GT جهت تخمین تبخیر روزانه از تشت در شرایط اقلیمی خشک و گرم بلوچستان، نشریه آب و خاک مشهد، شماره 2، صص 381-393.
- قبائیسوق، محمد؛ مساعدی ابوالفضل، حسام؛ و هزار جریبی ابوطالب، موسی (1389)، ارزیابی تأثیر پیش پردازش پارامترهای ورودی به شبکه عصبی مصنوعی با استفاده از روشهای رگرسیون گام به گام و گاما تست به منظور تخمین سریع تر تبخیر ـ تعرق روزانه، نشریه آب و خاک، شماره 3، صص 624-610.
- کوچکزاده، مهدی و بهمنی، عارف (1384)، ارزیابی عملکرد شبکههای عصبی مصنوعی در کاهش پارامترهای مورد نیاز، جهت برآورد تبخیر و تعرق، مجله علوم کشاورزی، صص 87-96.
- نوری، سمیرا؛ قالهری، غلامعباس و ثنایینژاد، سید حسین (1392)، مدلسازی تبخیر ـ تعرق گیاه پتانسیل با استفاده از شبکه عصبی مصنوعی با حداقل متغیرهای اقلیمی در ایستگاه سینوپتیک مشهد، نشریه پژوهشهای حفاظت آب و خاک، شماره 5، 178-163.
- ولیزاده کامران، خلیل (1393)، برآورد تبخیر تعرق پتانسیل در آذربایجان شرقی به روش استفنز با استفاده از GIS، نشریه جغرافیا و برنامهریزی دانشگاه تبریز، شماره 49، صص 334-317.
- Rosen, B.E. and Goodwin, J.M. 1997. Optimizing Neural Networks Using Very Fast Simulated Annealing, Neural, Parallel & Scientific Computation, 383–392.
- Landeras, G., Ortiz-Barredo, A. and Lopez, J. J., 2008, Comparison of artificial neural network models and empirical and semi-empirical equations for daily reference evapotranspiration estimation in the Basque Country (Northern Spain), Journal of Agricultural Water Management, 95, 553– 565.
-Sanford, W.A., Selnick, D.L., 2013, Estimation of Evaportranspirtion across the conterminous United State using a regression with climate and land-cover data, J: American Water Resources Association, Vol: 49, No 1: 217-230.
-Trajkovic, S., Todorovic, B., and Stankovic, M. 2003. Forecasting of reference evapotranspiration by artificial neural networks. J. of Irrig. Drain. Eng. ASCE. 129: 6. 454-457.