1- اسکندر، ع.، ر. نوری، ح. معراجی و الف. کیاقبادی،1390، توسعة مدلی مناسب بر مبنای شبکه عصبی مصنوعی و ماشین بردار پشتیبان برای پیش‌بینی بهنگام اکسیژن خواهی بیوشیمیایی ۵ روزه، محیط‌شناسی، سال 38، ش ۶۱، بهار ۹۱، صص. 71 تا 82.
2- زارع مهرجردی، ی.، ش. برقی و ح. مومنی، 1390، به کارگیری روش فوق ابتکاری - شبیه‌سازی تبرید تدریجی برای حل مسایل زنجیره تأمین، مجله تحقیق در عملیات و کاربردهای آن، سال هشتم، شماره 3، صص. 1 تا 24.
3- سبزی‌پرور. ع. ا.، ح. طبری و ا. آئینی، 1384، برآورد میانگین روزانه دمای خاک در چند نمونه اقلیمی ایران با استفاده از دادههای هواشناسی، دوره 14، شماره 52، صص. 125 تا 137.
4- سبزی‌پرور. ع. ا.، ح. زارع ابیانه و م. بیات ورکیشی، 1384-ب، مقایسه مدل بین پیش‌بینی درجه حرارت خاک با استفاده از مدل ANFIS و روشهای رگرسیونی در سه اقلیم مختلف، نشریه آب و خاک، جلد 24، شماره 2، صص. 274 تا 285.
5- محمدی، ب. و ص. امامقلی‌زاده، 1395، استفاده از تحلیل مؤلفه اصلی برای تعیین ورودی‌های مؤثر بر تخمین بارش به کمک شبکه عصبی مصنوعی و ماشین بردار پشتیبان، سامانه‌های سطوح آبگیر باران، ۴ (۴)، صص. ۶۷ تا۷۵.
6- محمدی، ب. 1396، تخمین تبخیر روزانه بر اساس مدل هیبریدی شبکه عصبی مصنوعی و الگوریتم بهینه‌سازی کرم شبتاب، پایان‌نامه کارشناسی ارشد، دانشکده کشاورزی، دانشگاه تبریز.
7- Arshad, M. A. & R. H. Azooz, 2003, In-row residue management effects on seed-zone temperature, moisture and early growth of barley and canola in a cold semi-arid region ion northwestern Canada, American Journal of Alternative Agriculture, 18: 129–136.
8- Beltrami, H., 2001, On the relationship between ground temperature histories and meteorological records, Global and Planetary Change, 29: 327-348.
9- Bilgili, M., 2010, the use of artificial neural networks for forecasting the monthly mean soil temperatures in Adana, Turkey, Turk Journal Agricalture, 35: 83-93.
10- Bilgili, M., 2010, Prediction of soil temperature using regression and artificial neural network models, Meteorology Atmospheric Physics, 110: 59–70.
11- Buring, P., 1984, The role of terrestrial vegetation in the global carbon cycle measurement by remote sensing, John Wiley and Sons edition, Massachusetts, USA, pp: 91-109.
12- Chang, D. H. & S. Islam, 2000, Estimation of Soil Physical Properties Using Remote Sensing and Artificial neural network, Remote Sensing of Environment, 74: 534-544.
13- Dibike, Y., S. Velickov, D. Solomatine & M. Abbott, 2001, Model induction with of support vector machines: Introduction and applications, Journal of Computing in Civil Engineering, 15: 208- 216.
14- Demirel, M., 2007, Performing k-means analysis to drought principal components of Turkish rivers, Rosenstiel School of Marine and Atmospheric Sciences, Division of Meteorology and Physical Oceanography, Miami Florida.
15- Durand, M. D. & S. R. White, 2000, Trading accuracy for speed in parallel simulated annealing with simultaneous moves, Elsevier Parallel Computing, Vol. 26: 135–150.
16- Ertac, M., E. Firuzan & S. Solum, 2014, Forecasting Istanbul monthly temperatureby multivariate partial least square, Theor. Appl. Climatol., 117:1–13.
17- Fabian, V., 1997, Simulated annealing simulated computers & mathematics with applications, Vol. 33, No. 1/2, pp. 81-94.
18- Ghorbani M. A., H. Ahmadzadeh, M. Isazadeh & O. Terzi, 2016, A comparative study of artificial neural network (MLP, RBF) and support vector machine models for river flow prediction, Environmental Earth Science, 75: 476-490.
19- Gonzalez, R. C. & V. S. Perez, Two procedures for stochastic simulation of vuggy formations, 2001, SPE 69663, Latin American and Caribbean Petroleum Engineering Conference, Buenos Aires, Argentina, pp. 25–28.
20- Goyal, M. K., 2014, Monthly rainfall prediction using wavelet regression and neural network: an analysis of 1901–2002 data, Assam, India, Theor. Appl. Climatol., 118: 25–34.
21- Hamidi, O. H., J. Poorolajal, M. Sadeghifar, H. Abbasi, Z. Maryanaji, H. R. Faridi & L. Tapak, 2014, a comparative study of support vector machines and artificial neural networks for predicting precipitation in Iran, Theor. Appl. Climate., Doi: 10.1007/s00704-014-1141-z
22- Hanks, R. J., D. D. Austin & W. T. Ondrechen, 1971, Soil temperature estimation by a numerical method, Soil Science Society of America Journal, 35: 665-667.
23- Hasfurther, V. R. & R. D. Burman, 1974, Soil temperature modeling using air temperature as a driving mechanism, Transactions of ASAE, 78–81.
24- Ilin, A. & T. Raiko, 2010, Practical approaches to principal component analysis in the presence of missing values, Journal of Machine Learning Research, 11: 1957-2000.
25- Kisi, O., 2012, Modeling discharge-suspended sediment relationship using least square support vector machine, J. Hydrol., 456: 110–120.
26- Kisi, O., 2013, Least squares support vector machine for modeling daily reference evapotran spiration, Irrig. Sci., 31(4): 611–619.
27- Kisi, O. & M. Cimen, 2011, Awavelet-support vector machine conjunction model for monthly streamflow forecasting, J. Hydrol., 399(1–2): 132–140.
28- Kisi, O., J. Shiri, S. Karimi, Sh. Shamshirband, Sh. Motamedi, D. Petkovic & R. Hashim, 2015, A survey of water level fluctuation predicting in Urmia Lake using support vector machine with firefly algorithm, Applied Mathematics and Computation, 270: 731-743.
29- Mihalakakou, G., 2001, On estimating soil surface temperature profiles, Energy & Building. Vol. 34.
30- Millikan, C. R., 1942, Studies on soil conditions in relation to root-rot of cereals, Proceeding of the Royal Society of Victoria, 54, 145.
31- Modarres, R., 2009, Multi-criteria validation of artificial neural network rainfall-runoff modeling, Hydrol. Earth Syst. Sci., 13: 411–421.
32- Muller, G. & J. Doring, 1989, Beregnungsverfahren for die temperature in unbewachsenem boden. Archiv für Acker- und Pflanzenbau und Bodenkunde, Berlin, 33, 385–391.
33- Ouenesan,A., B. Srinivasa, P. H. Bunge and B. J. Travis, 1994, Application of simulated annealing and other global optimization methods to reservoir description: myths and realities, SPE 28415, 69th Annual Technical Conference and Exhibition, New Orleans, LA, U.S.A., pp. 25-28.
34- Plauborg, F., 2002, Simple model for 10 cm soil temperature in different soils with short grass, European Journal of Agronomy, 17: 173–179.
35- Roodenburg, J., 1985, Estimating 10-cm soil temperatures under grass, Agricultural and Forest Meteorology, 34: 41–52.
36- Salimi Sartakhti, J., M. H. Zangooei & K. Mozafari, 2012, Hepatitis disease diagnosis using a novel hybrid method based on support vector machine and simulated annealing (SVM-SA), Computer methods and programs in biomedicine 108: 570–579
)