1- ابراهیمی، م. ص. 1392. مدل‌سازی تغییرات زمانی– مکانی سطح آب زیرزمینی در اندرکنش با آبهای سطحی با استفاده از تکنیک‌های شبکه عصبی مصنوعی و زمین‌آمار، مطالعه موردی: آبخوان نجف‌آباد. پایاننامه کارشناسی ارشد، مهندسی عمران- آب، دانشکده عمران، دانشگاه صنعتی اصفهان.
2- احمدپور، ح. خالدیان، م.ر. اشرف زاده، ا. و م. رضایی. 1392. بررسی شوری آبهای زیرزمینی دشت گیلان با توجه به پارامترهای شوری موثر و بالقوه. مجله پژوهش آب ایران، 7(12): 176-169.
3- زمانی، ن. عابدی کوپایی، ج. و م. جواهری طهرانی. 1392. مکانیابی اجرای طرح تغذیه مصنوعی در منطقهی علویجه با استفاده از نرم افزار GIS. اولین همایش ملی بحران آب، اصفهان.
4- زمانی، ر. محمودی، ا. آخوند علی، ع. م. و ح. زارعی. 1396. کاربرد روش ترکیبی زمین آمار و شبکه عصبی مصنوعی بهینه شده با الگوریتم ژنتیک در تخمین سطح ایستابی (مطالعه موردی: دشتهای دزفول و زیدون). علوم و مهندسی آبیاری، 40(2): 37-27.
5- صفوی، ح. ر. و ف. درزی. 1387. کاربرد شبکههای عصبی مصنوعی در مدیریت تلفیقی آبهای سطحی و زیرزمینی. چهارمین کنفرانس ملی مهندسی عمران، تهران.
6- عابدی کوپایی، ج. جواهری طهرانی، م. و ن. زمانی. 1392. بهبود کیفیت پساب خروجی تصفیه خانه فاضلاب با استفاده از تکنولوژی بتن متخلخل. نخستین کنفرانس بین المللی اکولوژی سیمای سرزمین، اصفهان.
7- ملکینژاد، ح. و ر. پورشرعیاتی. 1392. کاربرد و مقایسه مدل سری زمانی تجمعی و مدل شبکه عصبی مصنوعی در پیشبینی تغییرات سطح آب زیرزمینی (مطالعه موردی: دشت مروست). مجله علوم و مهندسی آبیاری، 36(2): 92-81.
8- مهدوی نجف آبادی، ع. 1390. مکانیابی عرصههای مناسب برای تغذیه مصنوعی آبهای زیرزمینی به دو روش منطق بولین و منطق فازی در حوضه آبریز دشت شهرکرد. مجله علوم و فنون کشاورزی و منابع طبیعی، علوم آب و خاک، 15(56): 79-63 .
9- نادریانفر، م. انصاری، ح. ضیایی، ع. و ک. داوری. 1389. بررسی روند تغییرات نوسانات سطح آب زیرزمینی در حوضه آبریز نیشابور تحت شرایط اقلیمی مختلف. فصلنامه مهندسی آبیاری و آب، 3: 37- 21.
10- نخعی، م. و ا. صابری نصر. 1391. پیشبینی نوسانات سطح آب زیرزمینی دشت قروه با استفاده از شبکه عصبی- موجکی و مقایسه آن با مدل عددی MODFLOW. مجله زمین شناسی کاربردی پیشرفته، 4(1): 47-58.
11- Affandi, A.K., Watanabe, K. and H. Tirtomihardjo. 2007. Application of anartificial neural networke to estimate ground water level fluctuation. Spatial Hydrology, 7(2):23-46.
12- Banerjee, P. Singh, V.S., Chatttopadhyay, K., Chandra, P.C. and B. Singh. 2011. Artificial neural network model as a potential alternative for groundwater salinity forecasting. Journal of Hydrology, 398: 212-220.
13- Chitsazan, M., Rahmani, Gh. and A. Neyamadpour. 2013. Groundwater level simulation using neural network: A case study from Aghili plain, urban area of Gotvand, south- west Iran. Journal of Geope, 3: 35-46.
14- Coppola, E.A. J., Rana, A. M., Poulton, M., Szidarovszky, F. and V. W. Uhl. 2005. Ground Water, 43(2): 231-241.
15- Daliakopoulos, I.N,. Coulialy, P. and I.K. Tsanis. 2005. Groundwater level forecasting using artificial neural networks. Hydrology, 309: 229-240.
16- Falamarzi, Y., Palizdan, N., Huang, Y.F. and T. Shui Lee. 2014. Estimating evapotranspiration from temperature and wind speeddata using artificial and wavelet neural networks (WNNs). Agricultural Water Management, 140: 26–36.
17- omran, e.e., ghallab, a., selmy, s. and a.a. gad. 2014. Evaluation and mapping water wells suitability for irrigation using GIS in Darb El-Arbaein, South Western desert, Egypt. Water Resources and Arid Environments, 3(1): 63-76.
18- Nasiri, A. and H. Alipur. 2014. Estimation of Spatial Distribution of Groundwater Quality Parameters using Geostatistical Methods - A Case Study of (ISFAHAN- IRAN). Engineering & Technology Sciences, 2 (2): 159-173.
19- Yao, L., Huo, Z., Feng, Sh., Mao, X., Kang, Sh., Chen, J., Xu, J. and T.S. Steenhuis. 2014. Evaluation of spatial interpolation methods for groundwater level in an arid inland oasis, northwest China. Environmental Earth Science, 71:1911-1924.
)
