منابع

1. یانگ، ی. شی، ی. لیانگ، ایکس. هوانگ، تی. فو، اس. لیو، ب. ارزیابی ساختار از حرکت (SfM) فتوگرامتری در اندازه‌گیری فرسایش شیاری و بین‌دریلی در یک لس معمولی. ژئومورفولوژی ۲۰۲۱ ، ۳۸۵ ، ۱۰۷۷۳۴٫ [ Google Scholar ] [ CrossRef ]
2. دی استفانو، سی. فرو، وی. پامپالون، وی. Sanzone، F. بررسی میدانی فرسایش آبکی و زودگذر در منطقه آزمایشی Sparacia، جنوب ایتالیا. کاتنا ۲۰۱۳ ، ۱۰۱ ، ۲۲۶-۲۳۴٫ [ Google Scholar ] [ CrossRef ]
3. مورگاتروید، آل. ترنان، JL تأثیر جنگل‌کاری بر فرسایش بانک جریان و شکل کانال. زمین گشت و گذار. روند. Landf. ۱۹۸۳ ، ۸ ، ۳۵۷-۳۶۹٫ [ Google Scholar ] [ CrossRef ]
4. نزدیک شدن، MA; نورتون، LD; بولگاکف، دی. لاریونوف، جی.آ. غرب، LT; Dontsova، KM Hydraulics و Erosion in Eroding Rills. منبع آب Res. ۱۹۹۷ ، ۳۳ ، ۸۶۵-۸۷۶٫ [ Google Scholar ] [ CrossRef ]
5. یرمولایف، OP؛ گفوروف، AM; عثمانوف، BM ارزیابی شدت و دینامیک فرسایش با استفاده از اسکن لیزری زمینی. علم خاک اوراسیا ۲۰۱۸ ، ۵۱ ، ۸۱۴-۸۲۶٫ [ Google Scholar ] [ CrossRef ]
6. کوچیوبا، دبلیو. جانیکی، جی. رودزیک، جی. Stępniewski، K. مقایسه روش‌های حجمی و سنجش از دور (TLS) برای ارزیابی توسعه یک خندق جنگلی دائمی. نات. خطرات ۲۰۱۵ ، ۷۹ ، ۱۳۹-۱۵۸٫ [ Google Scholar ] [ CrossRef ]
7. وینچی، آ. بریگانته، آر. تودیسکو، اف. مانوکی، اف. Radicioni, F. اندازه گیری فرسایش شیار با اسکن لیزری. Catena ۲۰۱۵ ، ۱۲۴ ، ۹۷-۱۰۸٫ [ Google Scholar ] [ CrossRef ]
8. عثمانوف، بی. یرمولایف، او. Gafurov، A. برآورد شدت فرسایش شیب با استفاده از اسکن لیزری زمینی. Proc. بین المللی دانشیار هیدرول. علمی ۲۰۱۵ ، ۳۶۷ ، ۵۹-۶۵٫ [ Google Scholar ] [ CrossRef ]
9. هو، تی. سان، ایکس. سو، ی. گوان، اچ. سان، س. کلی، م. Guo, Q. توسعه و ارزیابی عملکرد یک سیستم UAV-Lidar بسیار کم هزینه برای کاربردهای جنگلداری. Remote Sens. ۲۰۲۱ , ۱۳ , ۷۷٫ [ Google Scholar ] [ CrossRef ]
10. نکس، اف. Remondino, F. UAV for 3D Mapping Applications: A Review. Appl. Geomat. ۲۰۱۴ ، ۶ ، ۱-۱۵٫ [ Google Scholar ] [ CrossRef ]
11. گفوروف، AM امکان استفاده از هواپیمای بدون سرنشین برای ارزیابی فرسایش خاک. اوچنیه زاپ. کازان دانشگاه سر. Estestv. ناوک. ۲۰۱۷ ، ۱۵۹ ، ۶۵۴-۶۶۷٫ [ Google Scholar ]
12. گافوروف، الف. جنبه‌های روش‌شناختی ساخت یک DEM با وضوح بالا از سرزمین‌های بزرگ با استفاده از پهپادهای کم‌هزینه در نمونه‌ای از مجتمع آئولیان ساریکوم، داغستان، روسیه. هواپیماهای بدون سرنشین ۲۰۲۱ ، ۵ ، ۷٫ [ Google Scholar ] [ CrossRef ]
13. پاندی، ا. هیمانشو، SK; Mishra, SK; مدل‌های فرسایش خاک و رسوب مبتنی بر فیزیکی سینگ، VP مورد بازبینی مجدد قرار گرفتند. Catena ۲۰۱۶ ، ۱۴۷ ، ۵۹۵-۶۲۰٫ [ Google Scholar ] [ CrossRef ]
14. ویشمایر، WH; اسمیت، DD پیش بینی تلفات فرسایش باران – راهنمای برنامه ریزی حفاظت ; وزارت کشاورزی ایالات متحده: Betsville، MD، ایالات متحده آمریکا، ۱۹۷۸٫
15. رنارد، KG; فاستر، GR; ویزیس، GA; پورتر، JP RUSLE: تجدید نظر شده جهانی معادله از دست دادن خاک. J. حفظ آب خاک. ۱۹۹۱ ، ۴۶ ، ۳۰-۳۳٫ [ Google Scholar ]
16. صادقی، SHR; غلامی، ل. درویشان، ع.ک. سعیدی، ص. مروری بر کاربرد مدل MUSLE در سراسر جهان. هیدرول. علمی J. ۲۰۱۴ ، ۵۹ ، ۳۶۵-۳۷۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
17. Knisel، WG CRAMS : یک مدل مقیاس میدانی برای مواد شیمیایی، رواناب و فرسایش از سیستم‌های مدیریت کشاورزی . اداره کشاورزی، علوم و آموزش و پرورش: بالتیمور، MD، ایالات متحده آمریکا، ۱۹۸۰٫ [ Google Scholar ]
18. د رو، APJ; Wesseling، CG; جتن، وی جی؛ Ritsema، C. LISEM: یک مدل هیدرولوژیکی و فرسایش خاک مبتنی بر فیزیکی که در یک GIS گنجانده شده است. در کاربرد سیستم های اطلاعات جغرافیایی در هیدرولوژی و مدیریت منابع آب ; Kovar, K., Nachtnebel, HP, Eds. IAHS: Wallingford، UK، ۱۹۹۶; جلد ۲۳۵، ص ۳۹۵–۴۰۳٫ [ Google Scholar ]
19. فلانگان، دی سی; Ascough, JC; نزدیک شدن، MA; مدل پروژه پیش‌بینی فرسایش آب (WEPP) لافلن، JM. در فرسایش چشم انداز و مدل سازی تکامل ; Harmon، RS، Doe، WW، Eds. Springer: Boston, MA, USA, 2001; صص ۱۴۵-۱۹۹٫ شابک ۹۷۸-۱-۴۶۱۵-۰۵۷۵-۴٫ [ Google Scholar ]
20. Favis-Mortlock، DT; بوردمن، جی. پارسونز، ای جی. Lascelles، B. ظهور و فرسایش: مدلی برای شروع و توسعه ریل. هیدرول. روند. ۲۰۰۰ ، ۱۴ ، ۲۱۷۳-۲۲۰۵٫ [ Google Scholar ] [ CrossRef ]
21. Misra, RK; رز، کاربرد CW و تحلیل حساسیت مدل فرسایش مبتنی بر فرآیند GUEST. یورو J. Soil Sci. ۱۹۹۶ ، ۴۷ ، ۵۹۳-۶۰۴٫ [ Google Scholar ] [ CrossRef ]
22. محمودآبادی، م. قدیری، ح. رز، سی. یو، بی. رفاهی، ح. روحی پور، ح. ارزیابی GUEST و WEPP با رویکردی جدید برای تعیین ظرفیت انتقال رسوب. جی هیدرول. ۲۰۱۴ ، ۵۱۳ ، ۴۱۳-۴۲۱٫ [ Google Scholar ] [ CrossRef ]
23. مورگان، RPC؛ کوینتون، JN; اسمیت، RE; گاورز، جی. پوسن، JWA؛ اورسوالد، ک. چیشی، جی. توری، دی. Styczen، ME مدل فرسایش خاک اروپا (EUROSEM): رویکردی پویا برای پیش‌بینی انتقال رسوب از مزارع و حوضه‌های آبریز کوچک. زمین گشت و گذار. روند. Landf. ۱۹۹۸ ، ۲۳ ، ۵۲۷-۵۴۴٫ [ Google Scholar ] [ CrossRef ]
24. موخاراموا، اس. ساولیف، آ. ایوانف، م. گفوروف، آ. یرمولایف، او. برآورد عامل مدیریت پوشش فرسایش خاک در بخش اروپایی روسیه. ISPRS Int. J. Geo-Inf. ۲۰۲۱ ، ۱۰ ، ۶۴۵٫ [ Google Scholar ] [ CrossRef ]
25. مالتسف، کالیفرنیا؛ گولوسف، وی. گفوروف، مدل‌های رقومی ارتفاعی AM و استفاده از آنها برای ارزیابی نرخ فرسایش خاک در زمین‌های زراعی. اوچنیه زاپ. کازان Universiteta Seriya Estestv. ناوک. ۲۰۱۸ ، ۱۶۰ ، ۵۱۴-۵۳۰٫ [ Google Scholar ]
26. Pielke، RA; پنبه، WR; Walko، RL; ترمبک، سی جی; لیون، WA; گراسو، LD; نیکولز، من؛ موران، دکتر. وسلی، دی. لی، تی جی; و همکاران یک سیستم مدلسازی هواشناسی جامع – RAMS. هواشناسی اتمس. فیزیک ۱۹۹۲ ، ۴۹ ، ۶۹-۹۱٫ [ Google Scholar ] [ CrossRef ]
27. شفیلد، جی. گوتتی، جی. Wood, EF توسعه یک مجموعه داده جهانی ۵۰ ساله با وضوح بالا از اجبارهای هواشناسی برای مدلسازی سطح زمین. جی. کلیم. ۲۰۰۶ ، ۱۹ ، ۳۰۸۸-۳۱۱۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
28. شروتی، RBV; کرل، ن. جتن، V. استخراج ویژگی آبکی مبتنی بر شی با استفاده از تصاویر با وضوح فضایی بالا. ژئومورفولوژی ۲۰۱۱ ، ۱۳۴ ، ۲۶۰-۲۶۸٫ [ Google Scholar ] [ CrossRef ]
29. کونوسنتی، سی. آنجلری، س. کاپادونیا، سی. روتیگلیانو، ای. اگنسی، وی. مرکر، ام. ارزیابی حساسیت فرسایش گالی با استفاده از رگرسیون لجستیک مبتنی بر GIS: موردی از سیسیل (ایتالیا). ژئومورفولوژی ۲۰۱۴ ، ۲۰۴ ، ۳۹۹-۴۱۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
30. کونوسنتی، سی. اگنسی، وی. کاما، م. Caraballo-Arias، NA; Rotigliano، E. ارزیابی حساسیت فرسایش آبکی با استفاده از خطوط رگرسیون تطبیقی ​​چند متغیره و حسابداری برای اتصال زمین. تخریب زمین توسعه دهنده ۲۰۱۸ ، ۲۹ ، ۷۲۴-۷۳۶٫ [ Google Scholar ] [ CrossRef ]
31. گولوسف، وی. گوساروف، آ. شریفیلین، ا. ایوانووا، NN; گفوروف، آ. یرمولایف، او. Rysin، I. استفاده از ۱۳۷Cهای مشتق شده از بمب و چرنوبیل برای ارزیابی روند تلفات خاک در مناطق مختلف چشم انداز روسیه اروپایی. در مجموعه مقالات چهاردهمین سمپوزیوم بین المللی برهمکنش بین رسوبات و آب، تائورمینا، ایتالیا، ۱۷ تا ۲۲ ژوئن ۲۰۱۷؛ پ. ۱۰٫ [ Google Scholar ]
32. گوساروف، AV; گولوسف، وی. Sharifullin، AG; گافوروف، AM روند معاصر در فرسایش چرنوزم‌های قابل کشت جنوبی (Haplic Chernozems Pachic) ​​در غرب استان اورنبورگ (روسیه). علم خاک اوراسیا ۲۰۱۸ ، ۵۱ ، ۵۶۱-۵۷۵٫ [ Google Scholar ] [ CrossRef ]
33. گولوسف، وی. کویتر، ا. ایوانف، م. مالتسف، ک. گوساروف، آ. شریفلین، ا. رادچنکو، I. ارزیابی روند نرخ فرسایش خاک در دو منطقه کشاورزی روسیه اروپایی در ۶۰ سال گذشته. J. Soils Sediments ۲۰۱۸ ، ۱۸ ، ۳۳۸۸-۳۴۰۳٫ [ Google Scholar ] [ CrossRef ]
34. گفوروف، AM با استفاده از وسایل نقلیه هوایی بدون سرنشین برای ارزیابی فرسایش خاک. دانشگاه ایالتی بلگورود علمی گاو نر نات. علمی ۲۰۱۹ ، ۴۳ ، ۱۸۲-۱۹۰٫ [ Google Scholar ] [ CrossRef ]
35. یرمولایف، OP؛ مدودوا، RA; Platoncheva، EV روش‌های روش‌شناختی برای نظارت بر فرسایش زمین‌های کشاورزی در بخش اروپایی روسیه با استفاده از تصاویر ماهواره‌ای. اوچنیه زاپ. کازان دانشگاه سر. Estestv. ناوک. ۲۰۱۷ ، ۱۵۹ ، ۶۶۸-۶۸۰٫ [ Google Scholar ]
36. یرمولایف، او. پلاتونچوا، ای. Essuman-Quainoo، B. دینامیک فضایی-زمانی کمربند آبکی زودگذر در دامنه های شخم زده حوضه رودخانه ها در مناظر طبیعی و انسانی شرق دشت روسیه. Geosciences ۲۰۲۰ , ۱۰ , ۱۶۷٫ [ Google Scholar ] [ CrossRef ]
37. Seutloali، KE; دوبی، تی. Mutanga، O. ارزیابی و نقشه‌برداری شدت فرسایش خاک با استفاده از داده‌های ماهواره چندطیفی ۳۰ متری Landsat در سرزمین‌های سابق آفریقای جنوبی ترانسکی. فیزیک شیمی. Earth Parts A/B/C ۲۰۱۷ , ۱۰۰ , ۲۹۶–۳۰۴٫ [ Google Scholar ] [ CrossRef ]
38. سعادت، ح. آداموفسکی، جی. طائفی، وی. نامدار، م. شریفی، ف. Ale-Ebrahim, S. رویکردی جدید برای نقشه‌برداری شدت فرسایش شیاری و بین‌المللی مقیاس منطقه‌ای با استفاده از ارزیابی‌های شاخص روشنایی از تصاویر ماهواره‌ای با وضوح متوسط. کاتنا ۲۰۱۴ ، ۱۱۳ ، ۳۰۶-۳۱۳٫ [ Google Scholar ] [ CrossRef ]
39. Desprats، JF; راکلوت، دی. روسو، م. سردان، او. گارسین، ام. Le Bissonnais, Y.; بن اسلیمن، ای. فوشه، ج. Monfort-Climent، D. نقشه برداری از ویژگی های فرسایش خطی با استفاده از تصاویر ماهواره ای با وضوح بالا و بسیار بالا. تخریب زمین توسعه دهنده ۲۰۱۳ ، ۲۴ ، ۲۲-۳۲٫ [ Google Scholar ] [ CrossRef ]
40. فیوروچی، اف. آردیزون، اف. روسی، ام. توری، دی. استفاده از تصاویر ماهواره‌ای استریوسکوپی برای نقشه‌برداری رودخانه‌ها و خندق‌های زودگذر. Remote Sens. ۲۰۱۵ ، ۷ ، ۱۴۱۵۱–۱۴۱۷۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
41. کاشتانوف، آن. ورنیوک، یی. ساوین، آی.ای. شچپوتف، وی وی. Dokukin، PA; شاریچف، دی وی؛ نقشه برداری لی، KA از فرسایش شیاری خاک های زراعی بر اساس بررسی وسایل نقلیه هوایی بدون سرنشین. علم خاک اوراسیا ۲۰۱۸ ، ۵۱ ، ۴۷۹-۴۸۴٫ [ Google Scholar ] [ CrossRef ]
42. کاریداس، سی. بوارور، او. Zdruli، P. نقشه برداری از الگوهای فرسایش مکانی-زمانی خاک در حوضه رودخانه Candelaro، ایتالیا، با استفاده از مدل G2 با تصاویر Sentinel2. Geosciences ۲۰۲۰ ، ۱۰ ، ۸۹٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
43. والتر، وی. طبقه‌بندی مبتنی بر شی داده‌های سنجش از راه دور برای تشخیص تغییر. ISPRS J. Photogramm. Remote Sens. ۲۰۰۴ , ۵۸ , ۲۲۵-۲۳۸٫ [ Google Scholar ] [ CrossRef ]
44. ژانگ، اف. لی، جی. ژانگ، بی. شن، Q. بله، اچ. وانگ، اس. Lu, Z. یک روش استخراج آستانه دینامیک خودکار ساده برای طبقه‌بندی آب‌های بزرگ از تصاویر شاخص آب Landsat-8 OLI. بین المللی J. Remote Sens. ۲۰۱۸ , ۳۹ , ۳۴۲۹–۳۴۵۱٫ [ Google Scholar ] [ CrossRef ]
45. قوش، ع. Maiti، R. ارزیابی حساسیت به فرسایش خاک با استفاده از رگرسیون لجستیک، درخت تصمیم و جنگل تصادفی: مطالعه بر روی حوضه رودخانه مایوراکشی در شرق هند. محیط زیست علوم زمین ۲۰۲۱ ، ۸۰ ، ۳۲۸٫ [ Google Scholar ] [ CrossRef ]
46. غذا، تلویزیون؛ نگوین، اچ. تران، X.-L. Hoang، N.-D. پیش‌بینی فرسایش خاک ناشی از بارندگی بر اساس هیبریداسیون تکامل دیفرانسیل تطبیقی ​​و طبقه‌بندی ماشین بردار پشتیبان. ریاضی. مشکل مهندس ۲۰۲۱ ، ۲۰۲۱ ، e6647829. [ Google Scholar ] [ CrossRef ]
47. لیو، ی. ژو، جی. چی، دبلیو. لی، ایکس. گراس، ال. شائو، کیو. ژائو، ز. نی، ال. فن، ایکس. Li, Z. ARC-Net: یک شبکه کارآمد برای استخراج ساختمان از تصاویر هوایی با وضوح بالا. دسترسی IEEE ۲۰۲۰ ، ۸ ، ۱۵۴۹۹۷–۱۵۵۰۱۰٫ [ Google Scholar ] [ CrossRef ]
48. کای، جی. Chen, Y. MHA-Net: شبکه توجه ترکیبی چند مسیری برای استخراج ردپای ساختمان از تصاویر سنجش از دور با وضوح بالا. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. ۲۰۲۱ , ۱۴ , ۵۸۰۷–۵۸۱۷٫ [ Google Scholar ] [ CrossRef ]
49. لو، ال. لی، پی. Yan, X. استخراج ساختمان مبتنی بر یادگیری عمیق از تصاویر سنجش از دور: یک بررسی جامع. Energies ۲۰۲۱ , ۱۴ , ۷۹۸۲٫ [ Google Scholar ] [ CrossRef ]
50. بلیز، M.-A.; اخلوفی، کارشناسی ارشد یادگیری عمیق برای تقسیم‌بندی خط ساحلی در ارتفاع پایین . فقط آنلاین؛ SPIE: اورلاندو، فلوریدا، ایالات متحده آمریکا، ۲۰۲۱؛ جلد ۱۱۷۵۲٫ [ Google Scholar ]
51. آریال، بی. اسکارزاگا، اس ام. Vargas Zesati، SA; ولز-ریس، م. فوئنتس، او. Tweedie، C. تقسیم‌بندی معنایی نیمه خودکار خطوط سواحل قطب شمال با استفاده از تصاویر هوایی با وضوح بسیار بالا، شاخص‌های طیفی و رویکردهای یادگیری ماشینی با نظارت ضعیف. Remote Sens. ۲۰۲۱ , ۱۳ , ۴۵۷۲٫ [ Google Scholar ] [ CrossRef ]
52. گارگ، آر. کومار، ا. بانسال، ن. پراتیک، ام. کومار، S. تقسیم بندی معنایی داده های تصویری PolSAR با استفاده از مدل یادگیری عمیق پیشرفته. علمی Rep. ۲۰۲۱ , ۱۱ , ۱۵۳۶۵٫ [ Google Scholar ] [ CrossRef ]
53. دونگ، ی. لی، اف. هونگ، دبلیو. ژو، ایکس. Ren, H. بخش بندی معنایی پوشش زمین ناحیه بندر با تصاویر SAR با وضوح بالا بر اساس SegNet. در سال ۲۰۲۱ SAR در عصر کلان داده (BIGSARDATA) ؛ موسسه مهندسین برق و الکترونیک (IEEE): Piscataway, NJ, USA, 2021; صص ۱-۴٫ [ Google Scholar ] [ CrossRef ]
54. وی، اچ. خو، X. او، ن. ژانگ، ایکس. Dai, Y. Deanet: رمزگذار دوگانه با شبکه توجه برای بخش بندی معنایی تصاویر سنجش از دور. Remote Sens. ۲۰۲۱ , ۱۳ , ۳۹۰۰٫ [ Google Scholar ] [ CrossRef ]
55. ایلاریونوا، اس. ترکین، ا. ایگناتیف، وی. Oseledets، I. نقشه برداری از گونه های درختی در تصاویر ماهواره ای Sentinel-2 با طبقه بندی نظارت ضعیف و نمونه برداری شی گرا. Forests ۲۰۲۱ , ۱۲ , ۱۴۱۳٫ [ Google Scholar ] [ CrossRef ]
56. آهنگ، جی. وو، اس. لی، CKF; Serbin، SP; Wolfe، BT; Ng، MK; Ely، KS; بوگونوویچ، م. وانگ، جی. لین، ز. و همکاران پایش فنولوژی برگ در جنگل‌های استوایی مرطوب با استفاده از روش یادگیری عمیق مبتنی بر سوپرپیکسل برای تصاویر سری زمانی از سایبان درختان. ISPRS J. Photogramm. Remote Sens. ۲۰۲۲ ، ۱۸۳ ، ۱۹-۳۳٫ [ Google Scholar ] [ CrossRef ]
57. گفوروف، AM; یرمولایف، OP تشخیص خودکار آبکند: شبکه های عصبی و بینایی کامپیوتری. Remote Sens. ۲۰۲۰ ، ۱۲ ، ۱۷۴۳٫ [ Google Scholar ] [ CrossRef ]
58. دو، بی. ژائو، ز. هو، ایکس. وو، جی. هان، ال. سان، ال. گائو، Q. پیش‌بینی حساسیت زمین لغزش بر اساس تقسیم‌بندی معنایی تصویر. محاسبه کنید. Geosci. ۲۰۲۱ ، ۱۵۵ ، ۱۰۴۸۶۰٫ [ Google Scholar ] [ CrossRef ]
59. یرمولایف، او. عثمانوف، بی. گفوروف، آ. پوسن، جی. ودنیوا، ای. لیستسکی، اف. Nicu، ارزیابی IC نرخ تبدیل خط ساحلی و پایش زمین لغزش در بانک مخزن کویبیشف (روسیه) با استفاده از داده‌های چند منبعی. Remote Sens. ۲۰۲۱ , ۱۳ , ۴۲۱۴٫ [ Google Scholar ] [ CrossRef ]
60. یرمولایف، OP؛ موخاراموا، اس.اس. مالتسف، کالیفرنیا؛ ایوانف، MA; Ermolaeva, PO; گایازوف، هوش مصنوعی؛ Mozzherin، VV; خارچنکو، اس وی؛ مارینینا، OA; Lisetskii، سیستم اطلاعات جغرافیایی FN و ژئوپورتال “حوضه رودخانه های روسیه اروپایی”. IOP Conf. سر. محیط زمین. علمی ۲۰۱۸ , ۱۰۷ , ۰۱۲۱۰۸٫ [ Google Scholar ] [ CrossRef ]
61. گفوروف، AM; ریسین، II; گولوسف، وی. گریگوریف، دوم؛ Sharifullin، AG برآورد نرخ اخیر عقب نشینی سر خندق در دامنه جنوبی دشت اروپای شرقی با استفاده از مجموعه ای از روش های ابزاری. وستن مسک. دانشگاه Seriya 5 Geogr. ۲۰۱۸ ، ۲۰۱۸ ، ۶۱–۷۱٫ [ Google Scholar ]
62. گولیک، ن. هنچر، م. دیکسون، ام. ایلیوشچنکو، اس. تاو، دی. Moore, R. Google Earth Engine: Planetary-Scale Geospatial Analysis for Everyone. سنسور از راه دور محیط. ۲۰۱۷ ، ۲۰۲ ، ۱۸-۲۷٫ [ Google Scholar ] [ CrossRef ]
63. بشکه.؛ منگ، کیو. فینلی، تی. وانگ، تی. چن، دبلیو. ما، دبلیو. بله، س. لیو، تی.-ای. LightGBM: درخت تصمیم برای تقویت گرادیان بسیار کارآمد. در پیشرفت‌ها در سیستم‌های پردازش اطلاعات عصبی ۳۰ (NIPS 2017) ؛ Curran Associates, Inc.: Long Beach, CA, USA, 2017; جلد ۳۰٫ [ Google Scholar ]
64. چاوراسیا، ا. Culurciello، E. LinkNet: بهره‌برداری از بازنمایی‌های رمزگذار برای تقسیم‌بندی معنایی کارآمد. در مجموعه مقالات IEEE Visual Communications and Image Processing (VCIP) 2017، سن پترزبورگ، FL، ایالات متحده آمریکا، ۱۰–۱۳ دسامبر ۲۰۱۷؛ صص ۱-۴٫ [ Google Scholar ]
65. رونبرگر، او. فیشر، پی. Brox، T. U-Net: شبکه های کانولوشن برای تقسیم بندی تصویر زیست پزشکی. arXiv ۲۰۱۵ ، arXiv:1505.04597. [ Google Scholar ]
66. ایاندولا، اف. موسکویچ، م. کارایف، اس. گیرشیک، آر. دارل، تی. Keutzer، K. DenseNet: پیاده‌سازی هرم‌های توصیفگر ConvNet کارآمد. arXiv ۲۰۱۴ ، arXiv:1404.1869. [ Google Scholar ]
67. Jaccard, P. توزیع فلور در منطقه آلپ. فیتول جدید. ۱۹۱۲ ، ۱۱ ، ۳۷-۵۰٫ [ Google Scholar ] [ CrossRef ]
68. Miller, RG, Jr. Beyond ANOVA: Basics of Applied Statistics ; مطبوعات CRC: Boca Raton، FL، USA، ۱۹۹۷; شابک ۹۷۸-۰-۴۱۲-۰۷۰۱۱-۲٫ [ Google Scholar ]
69. هابرتی، سی جی; اولجنیک، اس. MANOVA کاربردی و تجزیه و تحلیل متمایز . جان وایلی و پسران: هوبوکن، نیوجرسی، ایالات متحده آمریکا، ۲۰۰۶; شابک ۹۷۸-۰-۴۷۱-۷۸۹۴۶-۸٫ [ Google Scholar ]
70. گرویسمن، PYA; کارل، TR; ایسترلینگ، DR; نایت، RW; جیماسون، پی اف. هنسی، کی جی. سوپیه، ر. صفحه، CM؛ ویبیگ، جی. فورتونیاک، ک. و همکاران تغییرات در احتمال بارش شدید: شاخص های مهم تغییرات آب و هوایی. در شرایط آب و هوایی و اقلیم شدید ; Karl, TR, Nicholls, N., Ghazi, A., Eds. Springer: Dordrecht، هلند، ۱۹۹۹; ص ۲۴۳-۲۸۳٫ شابک ۹۷۸-۹۰-۴۸۱-۵۲۲۳-۰٫ [ Google Scholar ]
71. Dore، MHI تغییر آب و هوا و تغییرات در الگوهای بارش جهانی: چه می دانیم؟ محیط زیست بین المللی ۲۰۰۵ ، ۳۱ ، ۱۱۶۷-۱۱۸۱٫ [ Google Scholar ] [ CrossRef ]
72. زولینا، او. سیمر، سی. گولف، اس.کی. Kollet, S. تغییر ساختار بارش اروپا: دوره‌های مرطوب طولانی‌تر که منجر به بارندگی‌های فراوان می‌شوند: تغییر ساختار بارش اروپا. ژئوفیز. Res. Lett. ۲۰۱۰ ، ۳۷ ، ۱-۵٫ [ Google Scholar ] [ CrossRef ]
73. اولچف، آ. نوونکو، ای. پوپوف، وی. پامپورا، تی. Meili، M. شواهدی از تغییر دما و بارندگی در ۱۰۰ سال گذشته در یک رکورد گرده با وضوح بالا از جنگل شمالی اروپای مرکزی روسیه. هولوسن ۲۰۱۷ ، ۲۷ ، ۷۴۰-۷۵۱٫ [ Google Scholar ] [ CrossRef ]
74. Zolotokrylin، A. چرنکووا، E. تغییرات فصلی در بارش شدید در روسیه در چند دهه گذشته و تأثیر آنها بر فعالیت های حیاتی جمعیت انسانی. Geogr. محیط زیست حفظ کنید. ۲۰۱۷ ، ۱۰ ، ۶۹-۸۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
75. گولوسف، وی. گوساروف، آ. لیتوین، ال. یرمولایف، او. چیژیکووا، ن. صفینا، جی. Kiryukhina، Z. ارزیابی نرخ فرسایش خاک در نیمه جنوبی دشت روسیه: روش شناسی و نتایج اولیه. Proc. بین المللی دانشیار هیدرول. علمی ۲۰۱۷ ، ۳۷۵ ، ۲۳-۲۷٫ [ Google Scholar ] [ CrossRef ]
76. شریفلین، ا. گوساروف، آ. گفوروف، آ. Essuman-Quainoo، B. برآورد اولیه روند رسوب گذاری معاصر در پایین دره خشک حوضه های مرتبه اول مناطق مختلف چشم انداز دشت روسیه با استفاده از ^۱۳۷ CS به عنوان نشانگر زمان. IOP Conf. سر. محیط زمین. علمی ۲۰۱۸ , ۱۰۷ , ۰۱۲۰۲۲٫ [ Google Scholar ] [ CrossRef ]
77. هستی، تی. تبشیرانی، ر. مدل های افزایشی تعمیم یافته ; Chapman & Hall/CRC: Boca Raton، FL، USA، ۱۹۹۹; شابک ۹۷۸-۰-۴۱۲-۳۴۳۹۰-۲٫ [ Google Scholar ]
78. یرمولایف، او. موخاراموا، اس. ودنیوا، E. مدلسازی رواناب رودخانه در قلمرو اروپایی روسیه. Catena ۲۰۲۱ , ۲۰۳ , ۱۰۵۳۲۷٫ [ Google Scholar ] [ CrossRef ]
79. سرون، دی. برومیت، سی. عابدی، H. Hlink Dswah/Pygam: V0.8.0 ; زنودو: ژنو، سوئیس، ۲۰۱۸٫ [ Google Scholar ]
80. بابایان، لس آنجلس; پروتوپوپوف، VM حاصلخیزی خاکهای شاه بلوط سبک در عناصر مختلف توپوگرافی حوزه آبخیز. علم خاک اوراسیا ۱۹۹۷ ، ۳۰ ، ۱۱۱۳-۱۱۱۶٫ [ Google Scholar ]