[1] احمدی، حسن؛ محمدخان، شیرین؛ فیض‌نیا، سادات؛ قدوسی، جمال (1384). ساخت مدل منطقه‌ای خطر حرکت‌های توده‌ای با استفاده از تحلیل سلسله‌مراتبی. مطالعه موردی: حوضۀ آبخیز طالقان، مجلۀ منابع طبیعی ایران، 58 : 14-3.
[2] راکعی، بابک؛ خامه‌چیان، ماشاالله؛ عبدالملکی، پرویز؛ گیاهچی، پانته‌آ ( 1386). کاربرد شبکۀ عصبی مصنوعی در پهنه‌بندی خطر زمین‌لغزش، مجلۀ علوم دانشگاه تهران.33(1): 64-57.
[3] سازمان جغرافیایی نیروهای مسلح، نقشۀ توپوگرافی1:50000 الشتر، نهاوند، فیروزآباد و قلعه حاتم.
[4] سازمان زمین‌شناسی کشور، نقشۀ 1:100000 خرم آباد.
[5] سازمان زمین‌شناسی کشور، نقشۀ 1:100000 همدان.
[6] سازمان هواشناسی لرستان، آمار بیست‌سالۀ ایستگاه‌های باران‌سنجی و سینوپتیک.
[7] سپهوند، علی‌رضا (1389). پهنه‌بندی خطر زمین‌لغزش با استفاده از شبکۀ عصبی مصنوعی در بخشی از حوزۀ آبخیز هراز، پایان‌نامۀ کارشناسی ارشد، دانشکدۀ منابع طبیعی و علوم دریایی نور، دانشگاه تربیت مدرس.
[8] سوری، سلمان؛ لشگری‌پور، غلامرضا؛ غفوری، محمد (1391). پهنه‌بندی خطر زمین‌لغزش با استفاده از شبکۀ عصبی مصنوعی، نشریۀ زمین‌شناسی مهندسی، جلد 5 شمارۀ 2: 1286-1269.
[9] شادفر صمد؛ یمانی، مجتبی؛ غیومیان، جعفر (1386). پهنه‌بندی خطر زمین‌لغزش با استفاده از روش تحلیل سلسله‌مراتبی، پژوهش و سازندگی در منابع طبیعی، 75 : 126-118.
[10] شادفر، صمد؛ یمانی، مجتبی؛ نمکی، محمد (1384). پهنه‌بندی خطر زمین‌لغزش با استفاده از مدل‌های ارزش اطلاعاتی، تراکم سطح و LENR در حوضۀ چالکرود، مجلۀ آب و آبخیز،3: 68-62.
[11] فاطمی عقدا، سیدمحمود؛ غیومیان، جعفر (1382). ارزیابی کارایی روش‌های آماری در تعیین پتانسیل خطر زمین‌لغزش، مجله علوم زمین، شمارۀ 11: 47-28.
[12] فیض‌اله‌پور، مهدی (1391). پهنه‌بندی مناطق مستعد لغزش در رودخانۀ گیوی‌چای با استفاده از مدل شبکۀ عصبی مصنوعی، رسالۀ دکتری، دانشگاه تبریز، تبریز.
[13] فیض‌نیا، سادات؛ کلارستاقی، عطاالله؛ احمدی، حسن (1383)، بررسی عوامل مؤثر در وقوع زمین‌لغزش‌ها و پهنه‌بندی خطر زمین‌لغزش، مجلۀ منابع طبیعی ایران، 57 (1): 20-3.
[14] قدسی‌پور، سید حسن (1388). فرایند تحلیل سلسله‌مراتبی، انتشارات دانشگاه صنعتی امیرکبیر، چاپ هفتم، تهران
[15] کرم، عبدالامیر (1380). مدلسازی کمی و پهنه‌بندی خطر زمین‌لغزش در زاگرس چین‌خورده (مطالعۀ موردی: حوضۀ آبخیز سرخون- استان چهارمحال و بختیاری)، رسالۀ دکتری جغرافیای طبیعی، دانشگاه تربیت مدرس:354.
[16] کورکی‌نژاد، محمد (1380). مقایسۀ کارایی دو مدل پهنه‌بندی خطر زمین‌لغزش (حائری و مورا) با استفاده از ساجد در حوضۀ آبخیز سیاه رودبارگرگان، پایان‌نامۀ کارشناسی ارشد، دانشگاه علوم کشاورزی و منابع طبیعی گرگان: 24.
[17] کیا، مصطفی، (1389)، شبکه‌های عصبی در متلب، انتشارات کیان رایانۀ سبز: 229.
[18] محمدی، محمدرضا (1386). تحلیل خطر حرکات توده‌ای و ارائۀ مدل مناسب با استفاده ازGIS (مطالعۀ موردی: بخشی از حوضۀ آبخیز هراز)، پایان‌نامۀ کارشناسی ارشد، دانشگاه تربیت مدرس، دانشکدۀ منابع طبیعی و علوم دریایی: 79.
[19] مرادی، حمیدرضا؛ سپهوند، علی؛ عبدالمالکی، پرویز (1389). بررسی کارایی شبکۀ عصبی مصنوعی برای پهنه‌بندی خطر زمین‌لغزش (مطالعۀ موردی: بخشی از حوضۀ آبخیز هراز)، مجموعه مقالات ششمین همایش ملی علوم و مهندسی آبخیزداری و چهارمین همایش ملی فرسایش و رسوب، گروه مهندسی آبخیزداری دانشکدۀ منابع طبیعی دانشگاه تربیت مدرس.
[20] معماریان، حسین (١٣٧٤). زمین‌شناسی مهندسی و ژئوتکنیک، انتشارات دانشگاه تهران.
[21] منهاج، محمدباقر (1381). مبانی شبکه‌های عصبی، انتشارات صنعتی امیرکبیر (پلی تکنیک تهران)، 715 ص.
[22] ناجی، سیدمحمود (1385). پهنه‌بندی خطر لغزش در محور ساری-کیاسر، پایان‌نامۀ کارشناسی ارشد زمین‌شناسی زیست محیطی، دانشگاه صنعتی شاهرود:86.
[23] نیازی، یعقوب؛ اختصاصی، محمدرضا؛ طالبی، علی؛ آرخی، صالح؛ مختاری، محمدحسین (1389). ارزیابی کارایی مدل آماری دومتغیره در پیش‌بینی خطر زمین‌لغزش در حوضۀ سد ایلام، مجلۀ علمی و پژوهشی علوم و مهندسی آبخیزداری ایران سال 4، شمارۀ 10، بهار:20-9.
[24] Binaghi, E., Luzi, L., Madella, P., Pergalani, F., Rampini, A. (1998). Slope instability zonation: acomparison between certainty factor and fuzzy dempster– shafer approaches, Natural Hazards, 17, 77–97.
[25] Biswajeet Paradhan, (2010). Remote sensing and GIS based Lanslid hazard analysis and cross validation using multivariate logistic regression model on three test ares in Malaysia.
[26] Caniani D., Pascale S., Sdao F., Sole A.,( 2008). Neural networks and landslide susceptibility: a case study of the urban area of Potenza, Natural Hazards, 45:55–72
[27] Gomez, H., Kavzoglu, T., (2005), Assessment of shallow landslide susceptibility using artificial neural networks in Jabonosa River Basin, Venezuela, Engineering Geology, 78: 11-27.
[28] Hattanji, T., & Moriwaki, H., (2009), Morphometric analysis of relic landslides using detailed landslide distribution maps: Implications for forecasting travel distance of future landslides. Journal of Geomorphology, No, 103, Pp. 447-454.
[29] Hosainezadeh. M., M. Servati., A. Mansouri., B. Mirbagheri., S. Khezri., (2009). Zoning risk of mass movements using a logistic regression model (case study: the path of the Sanandaj - Dehgolan). journal of Iran Geology 11, 27- 37.
[30] Kanungo, D., Arora, M., Sarkar, S., and Gupta, R., (2006), A Comparative Study of Conventioonal, ANN Blak Box, Fuzzy and Combined Neural and Fuzzy Weighting Proccedures for Landslide Suceptibility Zonation in Darjeeling Himalayas, engineering Geology, Vol. 85, pp. 347-366.
[31] Komac, M. (2006). A landslide suscepility model using the Analytical Hierarchy Process method and multivariate statistics in perialpine Slovenia.
[32] Lan, H.X., Zhou, C.H., Wang, L.J., Zhang, H.Y., Li, R.H. (2004). Landslide hazard spatial analysis and prediction using GIS in the Xiaojiang Watershed, Yunnan, China. Engineering Geology, 76, 109-128.
[33] Lee S., Ryu J. H., Lee M. J., Won J. S., (2006): The Application of artificial neural networks to landslide susceptibility mapping at Janghung, Korea, Mathematical Geology, 38(2): 199-220.
[34] Lee, S., Ryu. J. H., Kim, L. S.,( 2009), Landslide susceptibility analysis and its verification using likelihood ratio, logistic regression, and artificial neural network models: case study of Youngin, Korea, Landslide, 4:327-338.
[35] Lee, S., Ryu. J. H., Won, J.S., Park, H. J., (2004), Determination application of the weighats for landslide susceptibility mapping using an artificial neural network, Engineering Geology, 71: 289-302.
[36] Melchiorre C., Matteucci M., Azzoni A., (2008): Artificial neural networks and cluster analysis in landslide susceptibility zonation, Geomorphology, 94: 379 –400.
[37] Pradhan, B., Lee, S., (2009), Landslide risk analysis using artificial neural networks model focusing on different training sites, International Journal of Physical Sciences, 4: 001-015.
[38] Yilmaz, I., (2010), Landslide susceptibility mapping using frequency ratio, logistic regression, artificial neural networks and their comparison: A case study from kat landslides (Tokat-Turkey), Computers and Geosciences, 35: 1125-1138.
)