Atkinson PM, Tatnall ARL (1997). Neural networks in remote sensing. Int. J. Remote Sens. 18:699-709.
Crossref

Binoti DHB, Binoti MLMS, Leite HG (2014). Configuração de redes neurais artificiais para estimação do volume de árvores. Rev. Ciênc. Madeira 5(1):1-6.

Binoti MLMS, Binoti DHB, Leite HG (2013). Aplicação de redes neurais artificiais para estimação da altura de povoamentos equiâneos de eucalipto. Rev. Árvore 37(4):639-645.
Crossref

Castro RVO, Soares CPB, Martins FB, Leite HG (2013). Crescimento e produção de plantios comerciais de eucalipto estimados por duas categorias de modelos. Pesqui. Agropecu. Bras. 48(3):287-295.
Crossref

Cordeiro MA, Pereira NNJ, Binoti DHB, Binoti MLMS, Leite HG (2015). Estimativa do volume de Acacia mangium utilizando técnicas de redes neurais artificiais e máquinas vetor de suporte. Pesqui. Florest. Bras. 35(83):255-261.
Crossref

Ferreira JCB, Lafetá BO, Penido TMA, Campos PM, Castro PM (2014). Altura de mudas de Tibouchina granulosa cogn. (melastomataceae) estimada por redes neurais artificiais. Rev. Soc. Bras. Arb. Urbana 9(1):151-160.

Fu L (1994). Neural networks in computer intelligence. New York: McGraw-Hill.

Garson GD (1991). Interpreting neural-network connection weights. Artif. Intell. Expert. 6:47-51.

Gozlan RE, Mastrorillo S, Copp GH, Lek S (1999). Predicting the structure and diversity of young-of-the-year fish assemblages in large rivers. Freshwater Biol. 41:809-820.
Crossref

Hagan MT, Menhaj M (1994). Training feed-forward networks with the Marquardt algorithm. IEEE T. Neural Networ. 5(6):989-993.
Crossref

Haykin S (2001). Redes neurais: princípios e prática. Porto Alegre: Bookman P 900.

Heath GE (2010). Training, testing and validating data set in Neural Network. Disponível em: 

View. Access: 04 de july 2013.

Kalteh AM (2008). Rainfall-runoff modelling using artificial neural networks (ANNs): modelling and understanding. Caspian J. Environ. Sci. 6(1):53-58.

Martins ER, Binoti MLMS, Leite HG, Binoti DHB, Dutra GC (2016). Configuração de redes neurais artificiais para estimação do afilamento do fuste de árvores de eucalipto. Rev. Bras. Ciênc. Agrár. 11(1):33-38.

Mendonça NP, Carvalho MC, Gomide LR, Ferraz Filho AC, Ferreira MA (2015). Previsão de diâmetros ao longo do fuste de eucalipto via redes neurais artificiais. Rev. Encicl. Biosfera 11(22):2419-2429.
Crossref

Miranda JFN (2015). Modelos de regressão e de redes neurais artificiais na quantificação de carbono e biomassa lenhosa em floresta estacional decidual no Brasil central. Dissertação (mestrado). Univ. Bras. Bras. 76 p.

Olden JD, Jackson DA (2002). Illuminating the "black box": a randomization approach for understanding variable contributions in artificial neural networks. Ecol. Model. 154:135-150.
Crossref

Osborne J, Waters E (2002). Four assumptions of multiple regression that researchers should always test. Pract. Asses. Res. Eval. 8(2):1-8.

Sanquetta CR (2002). Métodos de determinação de biomassa florestal. In. As Florestas e o Carbono. Curitiba pp. 119-140.

Sanquetta CR, Wojciechowski J, Corte APD, Behlinga, Péllico Neto S, Rodrigues AL, Sanquetta MNI (2015). Comparison of data mining and allometric model in estimation of tree biomass. Bioinformatics 16(247):2-9.
Crossref

Silveira P, Koehler HS, Sanquetta CR, Arce JE (2008). O estado da arte na estimativa de biomassa e carbono em formações florestais. Rev. Flor. 38(1):185-206.
Crossref

Trautenmüller JW (2015). Quantificação e distribuição do estoque de biomassa acima do solo em floresta estacional decidual. Dissertação (Mestrado) – Universidade Federal de Santa Maria 92 p.

Urbano E (2007). Quantificação e estimativa da biomassa aérea e do carbono fixado em árvores de bracatingais nativos da região metropolitana de Curitiba. Dissertação (Mestrado) – Universidade Federal do Paraná 140 p.

Vahedi AA (2016). Artificial neural network application in comparison with modeling allometric equations for predicting above-ground biomass in the Hyrcanian mixed-beech forest of Iran. Biomass Bioenergy 8(5):66-76.
Crossref