[1]. آذرپیرا، فریبا؛ و شهابی، سجاد (1399). «پیش‌بینی جریان با استفاده از رویکرد تلفیقی موجک- برنامه‌ریزی بیان ژن و ارزیابی تأثیر پارامترهای هواشناسی بر کارایی آن»، مدیریت آب و آبیاری، دورۀ 10، شمارۀ 2، ص 279-265.
[2]. پسندیده، ایرج؛ ایزدبخش، محمدعلی؛ و شعبانلو، سعید (1398). «برآورد بارش درازمدت شهر انزلی توسط مدل ترکیبی سیستم‌های استنتاج فازی عصبی تطبیقی و تبدیل موجک»، تحقیقات آب و خاک ایران، دورۀ 50، شمارۀ 7، ص 1745-1733.
[3]. دهقانی، رضا؛ ترابی‌پوده، حسن؛ یونسی، حجت‌الله؛ و شاهی‌نژاد، بابک (1399). «بررسی عملکرد مدل هیبریدی ماشین بردار پشتیبان- الگوریتم گیاهان مصنوعی در تخمین جریان روزانۀ رودخانه‌ها؛ مطالعۀ موردی: حوضۀ دز، تحقیقات منابع آب ایران، دورۀ 16، شمارۀ 2، ص 149-132.
[4]. شاهی‌نژاد، بابک؛ و دهقانی، رضا (1397). «مقایسۀ مدل‌های شبکۀ عصبی موجک، ماشین بردار پشتیبان و برنامه‌ریزی بیان ژن در تخمین میزان اکسیژن محلول در آب رودخانه‌ها»، تحقیقات منابع آب ایران، دورۀ 14، شمارۀ 3، ص 238- 226.
[5]. عبدالشاه‌نژاد، مهسا؛ خسروی، حسن؛ نظری‌سامانی، علی‌اکبر؛ زهتابیان، غلامرضا؛ و علم‌بیگی، امیر (1399). «تعیین چارچوب مفهومی ریسک گردوغبار برمبنای سنجش تاب‌آوری (بررسی موردی: جنوب غرب کشور)»، پژوهش‌های راهبردی در علوم کشاورزی و منابع طبیعی، سال پنجم شمارۀ ۱، ص ۳۳.
[6]. عراقی‌نژاد، شهاب؛ انصاری قوجقار، محمد؛ پورغلام آمیجی، مسعود؛ لیاقت، عبدالحمید؛ و بذرافشان، جواد (1397). «تأثیر نوسانات اقلیمی بر فراوانی توفان‌های گردوغبار در ایران»، مهندسی اکوسیستم بیابان، دورۀ ۷، شمارۀ ۲۱، ص 32-13.
[7]. فرج‌زاده اصل، منوچهر؛ و علی‌زاده، خاطره (1390). «تحلیل زمانی و مکانی توفان‌های گردوخاک در ایران»، برنامه‌ریزی و آمایش فضا، دورۀ 15، شمارۀ 1. ص 84-65.
[8]. نیک‌پور، محمدرضا؛ ثانی‌خانی، هادی؛ محمودی بابلان، سجاد؛ و محمدی، عارف (1396). «کاربرد مدل‌های LS-SVM، ANN، WNN و GEP در شبیه‌سازی بارش‌ـ رواناب رودخانۀ خیاوچای». اکوهیدرولوژی، دورۀ 4، شمارۀ 2، ص 639-627.
[9]. یارمرادی، زهرا؛ نصیری، بهروز؛ کرم‌پور، مصطفی؛ و حسن‌محمدی، غلام (1397). «تحلیل روند فراوانی روزهای گردوغباری در نیمۀ شرقی ایران در ارتباط با نوسانات اقلیمی»، مهندسی اکوسیستم بیابان، دورۀ 7، شمارۀ 18، ص 14-1.
[10]. Alizadeh, F.; Gharamaleki, A.; Jalilzadeh, M.; & Akhoundzadeh, A. (2020). “Prediction of river stage discharge process based on a conceptual model using EEMD-WT-LSSVM approach”, Water Resources, 47, pp :41-53.
[11]. Basak, D.; Pal, S.; & Patranabis, D.C. (2007). “Support vector regression”, Neural Information Processing 11, pp: 203- 225.
[12]. Cartlidge, J. P.; & Bulloc, S.G. (2004). “Combating coevolutionary disengagement by reducing parasite virulence”, Evolutionary Computation, 12(2), pp: 193-222.
[13]. Cheng, L.; Wu, X.; & Wang, Y. (2018). “Artificial Flora (AF) optimization algorithm”, Applied Science, 329(8), pp: 2- 22.
[14]. Darvishi-Boloorani, A.; Nabavi, S.; Azizi, R.; & Bahrami, H. )2013(. “Characterization of dust storm sources in western Iran using a synthetic approach”, Advances in Meteorology, Climatology and Atmospheric Physics, Springer, Part of the series Springer Atmospheric Sciences,pp: 415-420.
[15]. Ekhtesasi, M.; & Gohari, Z. )2013(. “Determining area affected by dust storms in different wind speeds, using satellite images (case study: Sistan plain, Iran)”, Desert, 17, pp: 193-202.
[16]. Goudie, A. S.; & Middleton, N. J. (2006). “Desert dust in the global system”, Springer Science & Business Media.
[17]. Ghorbani, M.A.; Khatibi, R.; Karimi, V.; Yaseen, Z.M.; & Zounemat-Kermani, M. (2018). “Learning from multiple models using artificial intelligence to improve model prediction accuracies: Application to River Flows”, Water Resour Management, 32(13), pp: 4201-4215.
[18]. Hamidi, M.; Kavianpour, M.R.; & Shao, Y. )2014(. “Numerical simulation of dust events in the Middle East”, Aeolian Research, 13, pp: 59–70.
[19]. Hillis, W. D. (1990). “Co-evolving parasites improve simulated evolution as an optimization procedure”, Physica D: Nonlinear Phenomena, 42, pp: 228–234.
[20]. Huang, S.; Chang, J.; Huang, Q.; & Chen, Y. (2014). “Monthly streamflow prediction using modified emd-basedsupport vector machine”, Journal of Hydrology, 511(4), pp: 764-775.
[21]. Misra, D.; Oommen, T.;, Agarwa, A.; Mishra, S.K.; & Thompson, A. M. (2009). “Application and analysis of supportvector machine based simulation for runoff andsediment yield”, Biosystems Engineering, 103(3), pp: 527–535.
[22]. O’Loingsigh, T.; McTainsh, G. H.; Tews, E. K.; Strong, C. L.; Leys, J. F.; Shinkfield, P.; & Tapper, N. J. (2014). “The Dust Storm Index (DSI): a method for monitoring broadscale wind erosion using meteorological records”, Aeolian Research, 12, pp: 29-40.
[23]. Pagie, L.; & Mitchell, M. A. (2002). “Comparison of evolutionary and coevolutionary search”, International Journal of Computational Intelligence and Application, 2, pp: 53–69.
[24]. Rashki, A.; Kaskaoutis, D. G.; Goudie, A. S.; & Kahn, R. A. (2013). “Dryness of ephemeral lakes and consequences for dust activity, the case of the Hamoun drainage basin, southeastern Iran”, Science of the Total Environment, 463, 552-564.
[25]. Rosin, C. D.; & Belew, R .K. (1995). Methods for competitive co-evolution. Finding Opponents Worth Beating in Proceedings of the International Conference on Genetic Algorithms Pittsburgh, 373–381.
[26]. Shao, Y.; Wyrwoll, K. H.; Chappell, A.; Huang, J.; Lin, Z.; McTainsh, G. H.; & Yoon, S. (2011). “Dust cycle: An emerging core theme in Earth system science”, Aeolian Research, 2(4), pp: 181-204.
[27]. Vapnik V. N. (1995). The nature of statistical learning theory, Springer, New York.
[28]. Wang, D.; Safavi, A. A.; & Romagnoli, J .A. (2000). “Wavelet based adaptive robust M-estimator for non-linear system identification”, AIChE Journal, 46(4), pp:1607- 1615.
[29]. Wiegand, R. P.; & Sarma, J. (2004). “Spatial Embedding and loss of gradient in cooperative coevolutionary algorithms”, In roceedings of the International Conference on Parallel Problem Solving from Nature, Berlin Germany 43, pp: 912–921.
[30]. Williams, N.; & Mitchell, M. (2005). “Investigating the success of spatial coevolution”, In Proceedings of the 7th Annual Conference on Genetic and Evolutionary Computation Washington, 46, pp: 523–530.
[31]. Yoon, H.; Jun, S. C.; Hyun, Y.; Bae, G.O. & Lee, K. K. (2011). “Acomparative study of artificial neural networks andsupport vector machines for predicting groundwaterlevels in a coastal aquifer”, Journal of Hydrology,396(4), pp:128–138
[32]. Zhu, Y. M.; Lu, X. X.; & Zhou, Y. (2007). “Suspended sediment flux modeling with artificial neural network: An example of the longchuanjiang river in the upper yangtze catchment”, Geomorphology, 84(4), pp:111-125.
)