1. Ресурсы поверхностных вод СССР. Гидрологическая изученность, т. 15, вып. 3. Л., Гидрометеоиздат, 1964.
2. Соловьева З.С. Уровенный режим р. Пур // Труды ААНИИ. Том 297. Проблемы гидрологии устьевых областей сибирских рек. Л.: Гидрометеоиздат, 1972. С. 92-103.
3. Кочеткова Е. Д. Пространственно-временная изменчивость метеорологических элементов на юго-востоке Обской губы / Е. Д. Кочеткова // Азимут геонаук: Материалы Всероссийской междисциплинарной молодежной научной конференции, Томск, 06-09 декабря 2022 года. Том Вып. 3. - Томск: Издательство Томского ЦНТИ, 2023. С. 244-249.
4. Волкова Н.А. Методики долгосрочного прогноза максимальных уровней воды весеннего половодья низовьев крупных рек Обско-Тазовской устьевой области / Волкова Н.А., Ромашова К.В. // Тезисы докладов научно-практической конференции “Состояние и задачи мониторинга природных условий Обь-Енисейского устьевого региона на фоне изменяющегося климата и интенсивной хозяйственной деятельности” (22-23 октября 2024 г., Санкт-Петербург, ААНИИ). СПб., 2024. С. 9-11.
5. Долгосрочный прогноз стока рек АЗРФ с использованием регрессионных зависимостей / Е. В. Гайдукова, А. О. Яновская, М. С. Дрегваль, А. А. Батмазова // Современные тенденции и перспективы развития гидрометеорологии в России: Материалы V Всероссийской научно-практической конференции, Иркутск, 23-25 ноября 2022 года / Отв. редактор Е.Н. Сутырина. Иркутск: Иркутский государственный университет, 2023. С. 59-67.
6. Саноцкая Н. А. Методика прогнозирования максимальных уровней воды рек районов многолетней мерзлоты с учетом русловых процессов / Н. А. Саноцкая // Сервис безопасности в России: опыт, проблемы, перспективы. Мониторинг, предотвращение и ликвидация чрезвычайных ситуаций природного и техногенного характера: Материалы международной научно-практической конференции, Санкт-Петербург, 28 октября 2021 года. - Санкт-Петербург: Санкт-Петербургский университет Государственной противопожарной службы Министерства Российской Федерации по делам гражданской обороны, чрезвычайным ситуациям и ликвидации последствий стихийных бедствий, 2021. С. 79-83.
7. Андронов Ю. В. Исследование применения ансамблей нейронных сетей для повышения качества решения задач регрессии / Ю. В. Андронов, А. В. Стрекалов // Нефтегазовое дело. 2015. Т. 13, № 1. С. 50-55.
8. Панков В. В. Машинное обучение на примере регрессий / В. В. Панков, Н. Н. Люблинская // Роль бизнеса в трансформации общества - 2023: Сборник материалов XVIII Международного конгресса (международной научно-практической конференции), Москва, 10-14 апреля 2023 года. Москва: Московский финансово-промышленный университет “Синергия”, 2023. С. 335-340.
9. Пылов П. А. Исследование проблемы “Overfitting” в алгоритмах искусственного интеллекта на прототипе модели регрессии дерева решений / П. А. Пылов, А. В. Протодьяконов // Инновации. Наука. Образование. 2020. № 22. С. 346-348.
10. Метод градиентного бустинга при прогнозировании управленческих решений в многослойной криогенной системе / И. А. Астраханцева, Т. Е. Котенев, С. В. Горев [и др.] // Современные наукоемкие технологии. Региональное приложение. 2024. № 2(78). С. 50-58. DOI: 10.6060/snt.20247802.0007
11. Мади А. Й. Методы опорных векторов и нелинейной регрессии для расчета коэффициента фильтрации / А. Й. Мади, Е. В. Шеин // Вестник Московского университета. Серия 17: Почвоведение. 2018. № 3. С. 42-47.
12. Нгуен Т. В. Анализ и прогноз тенденций использования терминов в компьютерных науках на основе нейросетевых моделей / Т. В. Нгуен, К. Х. Т. Зыонг, А. Г. Кравец // Вестник компьютерных и информационных технологий. 2021. Т. 18, № 2(200). С. 24-38. 10.14489/vkit.2021.02. pp.024-038. DOI: 10.14489/vkit.2021.02.pp.024-038
13. Костромитинов А. В. Метод прогнозирования тумана с использованием сверточных нейронных сетей / А. В. Костромитинов, И. А. Яременко // Труды Военно-космической академии имени А.Ф.Можайского. 2022. № S685. С. 186-193.
14. Журавлева Н. А. Выбор оптимизатора для обучения сверточной нейронной сети: задача классификации лесных пожаров / Н. А. Журавлева // StudNet. 2022. Т. 5, № 5. С. 160.
15. Волкова Н. А. Подход к прогнозированию гидрологических явлений в Арктической зоне Российской Федерации и пути повышения достоверности прогнозов в условиях изменения климата / Н. А. Волкова // Гидротехника. 2024. № 4. С. 21-27.
16. Результаты работы нейронной сети при прогнозировании метеопараметров приземной области атмосферы по данным измерений СВЧ-радиометрической системы / Е. В. Федосеева, И. Н. Ростокин, Г. Г. Щукин [и др.] // Распространение радиоволн: Cборник докладов XXVIII Всероссийской открытой научной конференции, Йошкар-Ола, 16-19 мая 2023 года / Редколлегия: Д.С. Лукин, Д.В. Иванов, Н.В. Рябова [и др.]. Йошкар-Ола: Поволжский государственный технологический университет, 2023. С. 463-466.
17. Долгосрочный прогноз стока рек АЗРФ с использованием регрессионных зависимостей / Е. В. Гайдукова, А. О. Яновская, М. С. Дрегваль, А. А. Батмазова // Современные тенденции и перспективы развития гидрометеорологии в России: Материалы V Всероссийской научно-практической конференции, Иркутск, 23-25 ноября 2022 года / Отв. редактор Е.Н. Сутырина. Иркутск: Иркутский государственный университет, 2023. С. 59-67.
18. Батмазова А. А. Прогноз стока рек Арктики в период весеннего половодья с учетом возможных изменений климата / А. А. Батмазова, Е. В. Гайдукова, В. А. Хаустов // Наука, общество, технологии: проблемы и перспективы взаимодействия в современном мире: монография. Петрозаводск: Международный центр научного партнерства “Новая Наука” (ИП Ивановская И.И.), 2022. С. 96-120.
19. Симонов Ю. А. Оперативная гидрология в деятельности Всемирной метеорологической организации / Ю. А. Симонов // Гидрометеорологические исследования и прогнозы. 2025. № 2(396). С. 121-140. DOI: 10.37162/2618-9631-2025-2-121-140
20. Dong N. et al. Deep-learning-based sub-seasonal precipitation and streamflow ensemble forecasting over the source region of the Yangtze River. Hydrology and Earth System Sciences, 2025, vol. 29, no. 8, pp. 2023-2042.