انصاری، حسین؛ داوری، کامران و ثنایینژاد، سید حسین. (1389)، پایش خشکسالی با استفاده از شاخص بارندگی و تبخیر و تعرق استاندارد شده (SPEI) توسعه یافته براساس منطق فازی، نشریۀ آب و خاک، 24 (1)، 52-38.
پورمحمدی، سمانه. (1392). بررسی عدمقطعیتهای شاخص خشکسالی در دورههای آتی توسط روشهای ریزمقیاس نمایی مدلهای گردش عمومی جو (مطالعه موردی: ایستگاه نوژه همدان)، پنجمین کنفرانس مدیریت منابع آب.
ترابی پوده، حسن؛ دهقانی، رضا و رستمی، سعید. (1397). تخمین خشکسالی در استان لرستان با استفاده از شبکههای هوشمند، پژوهشهای اقلیمشناسی، 9 (35)، 52- 41.
جمال، مریم؛ ابراهیمی، حسین و موسوی جهرمی، سیدحبیب. (1399). عدم قطعیت در محاسبه شاخص خشکسالی هیدرولوژیکی با کاربرد توزیع گاما (مطالعه موردی: حوضه آبریز دریاچه ارومیه) (یادداشت فنی)، تحقیقات منابع آب ایران، 16 (4)، 312- 302.
حسنزاده، یوسف؛ عبدی کردانی، امین و فاخری فرد، احمد. (1391). پیشبینی خشکسالی با استفاده از الگوریتم ژنتیک و مدل ترکیبی شبکه عصبی - موجکی. نشریه آب و فاضلاب، 23 (3)، 59- 48.
خسروی، محمود؛ نصیری، مریم و صفوی، سیدعلی اکبر. (1390). پیشبینی خشکسالی شیراز به کمک شبکه عصبی رادیال بیس، پنجمین کنفرانس سراسری آبخیزداری و مدیریت منابع آب و خاک کشور، کرمان.
ده بزرگی، مهرو، ملکیان، آرش و احسانی، امیرهوشنگ. (1394). ارزیابی عملکرد شبکه عصبی مصنوعی در پیشبینی خشکسالی هواشناسی در شمال غرب ایران. تحقیقات کاربردی علوم جغرافیایی (علوم جغرافیایی)، 15 (36)، 156- 139.
رستمی، مهناز؛ پهلوانروی، احمد و مقدمنیا، علیرضا. (1394). پیشبینی خشکسالی با به کارگیری از مدلهای شبکه عصبی مصنوعی و سیستم استنتاج عصبی - فازی تطبیقی در حوزة مُند استان فارس، مخاطرات محیط طبیعی، 4 (6)، 32- 21.
رضیئی، طیب. (1396). منطقهبندی اقلیمی ایران به روش کوپن - گایگر و بررسی جابهجایی مناطق اقلیمی کشور در سدة بیستم، فیزیک زمین و فضا، 43 (2)، 439- 419.
علیپور، حسن؛ چهارسوقی، امین و قریب، حامد. (1392). بررسی اثرات خشکسالی بر وضعیت اقتصادی – اجتماعی کشاورزان، مطالعه موردی: گندمکاران شهرستان نهبندان، پژوهشهای آبخیزداری (پژوهش و سازندگی)، 26 (2)، 125-113.
قاسمنژاد، فائزه؛ فاضلی، مهدی؛ بذرافشان، امالبنین و پرویننیا، محمد. (1398). تحلیل عدم قطعیت مشخصههای خشکسالی هیدرولوژیکی با استفاده از ابرمکعب لاتین (مطالعة موردی: حوزة آبخیز سد میناب)، مرتع و آبخیزداری (منابع طبیعی ایران)، 72 (2)، 542 – 527.
معصومپور سماکوش، جعفر، سهرابی، وحید و میری، مرتضی. (1401). ارزیابی و پیشبینی خشکسالیهای غرب و شمال غرب ایران با استفاده از شبکه هوش عصبی، فصلنامه مطالعات جغرافیایی مناطق کوهستانی. ، 2 (10)، 37-19.
ملکیان، آرش؛ مه رو، ده بزرگی؛ احسانی، امیر هوشنگ و کشتکار، امیررضا. (1392). کاربرد شبکة عصبی مصنوعی در پیشبینی و شبیهسازی شاخص اقلیمی خشکسالی هواشناسی دهک بارش (مطالعة موردی: استان سیستان و بلوچستان)، نشریه مرتع و آبخیزداری، 67 (1)، 139- 127.
یونسی، محبوبه؛ شهرکی، نادیا؛ معروفی، صفر و نوذری، حامد. (1397). پیشبینی خشکسالی با استفاده از مدل تلفیقی شبکه عصبی مصنوعی موجک و مدل سری زمانی ARIMA، علوم و مهندسی آبیاری، 41 (2)، 181- 167.
AghaKouchak, A., Mirchi, A., Madani, K., Di Baldassarre, G., Nazemi, A., Alborzi, A., ... & Wanders, N. (2021). Anthropogenic drought: definition, challenges, and opportunities.
https://doi.org/10.1029/2019RG000683
Aien, M., Hajebrahimi, A., & Fotuhi-Firuzabad, M. (2016). A comprehensive review on uncertainty modeling techniques in power system studies. Renewable and Sustainable Energy Reviews, 57, 1077-1089.
https://doi.org/10.1016/j.rser.2015.12.070
Bai, X., Wang, Y., Jin, J., Ning, S., Wang, Y., & Wu, C. (2020). Spatio-temporal evolution analysis of drought based on cloud transformation algorithm over Northern Anhui Province. Entropy, 22(1), 106.
https://doi.org/10.3390/e22010106
Barua, S., Ng, A. W. M., & Perera, B. J. C. (2012). Artificial neural network–based drought forecasting using a nonlinear aggregated drought index. Journal of Hydrologic Engineering, 17(12), 1408-1413.
https://doi.org/10.1061/(ASCE)HE.1943-5584.0000574
Hashemipour, N., Aghaei, J., Lotfi, M., Niknam, T., Askarpour, M., Shafie‐khah, M., & Catalão, J. P. (2020). Multi‐objective optimisation method for coordinating battery storage systems, photovoltaic inverters and tap changers. IET Renewable Power Generation, 14(3), 475-483.
https://doi.org/10.1049/iet-rpg.2019.0644
Hashemipour, S. N., & Aghaei, J. (2017, December). Chance constrained power-flow for voltage regulation in distribution systems. In 2017 Smart Grid Conference (SGC) (pp. 1-6). IEEE.
https://doi.org/10.1109/SGC.2017.8308848
Kavousi-Fard, A., Niknam, T., & Fotuhi-Firuzabad, M. (2015). A novel stochastic framework based on cloud theory and $\theta $-modified bat algorithm to solve the distribution feeder reconfiguration. IEEE Transactions on Smart Grid, 7(2), 740-750.
https://doi.org/10.1109/TSG.2015.2434844
Mallapur, S., & Platz, R. (2019). Uncertainty quantification in the mathematical modelling of a suspension strut using Bayesian inference. Mechanical Systems and Signal Processing, 118, 158-170.
https://doi.org/10.1016/j.ymssp.2018.08.046
Mandic, D., & Chambers, J. (2001). Recurrent neural networks for prediction: learning algorithms, architectures and stability. Wiley. ISBN: 978-0-471-49517-8
Natke, H. G. (Ed.). (2012). Safety evaluation based on identification approaches related to time-variant and nonlinear structures. Springer Science & Business Media., ISBN: 978-3-322-89467-0.
Ozger, M., Mishra, A. K., & Singh, V. P. (2011). Estimating Palmer Drought Severity Index using a wavelet fuzzy logic model based on meteorological variables. International journal of climatology, 31(13), 2021-2032.
https://doi.org/10.1002/joc.2215
Ribeiro, A. F., Russo, A., Gouveia, C. M., & Pires, C. A. (2020). Drought-related hot summers: A joint probability analysis in the Iberian Peninsula. Weather and Climate Extremes, 30, 100279.
https://doi.org/10.1016/j.wace.2020.100279
Willhite, D. A. (1987). The role of government in planning for drought, toward a reduction of social,vulnerability, Boulder, Co:westview press.
Wu, C., Zhou, L., Zhang, L., Jin, J., & Zhou, Y. (2019). Precondition cloud algorithm and Copula coupling model-based approach for drought hazard comprehensive assessment. International Journal of Disaster Risk Reduction, 38, 101220.
https://doi.org/10.1016/j.ijdrr.2019.101220
Zhang, H., Wang, T., Ding, Z., Zhang, X., & Han, L. (2020). Uncertainty analysis of impact factors of eco-environmental vulnerability based on cloud theory. Ecological Indicators, 110, 105864.
https://doi.org/10.1016/j.ecolind.2019.105864.