基于LSTM降水量預(yù)測的咸陽“旱腰帶”地區(qū)干旱趨勢分析

馬篩艷 王薇 裴莉莉 吳玉龍 劉艷

摘要 以咸陽“旱腰帶”地區(qū)13個氣象站2010—2019年氣象監(jiān)測資料為基礎(chǔ)，通過分析該地區(qū)降水、氣溫及干旱的特征，結(jié)合1960年以來縣氣象站資料，模擬“旱腰帶”地區(qū)近60年降水量，構(gòu)建“旱腰帶”地區(qū)降水量數(shù)據(jù)集；基于長短期記憶網(wǎng)絡(luò)（LSTM），以歷史降水量數(shù)據(jù)為輸入對“旱腰帶”地區(qū)的降水量進行預(yù)測；根據(jù)地區(qū)干旱分級標準，由預(yù)測得到的降水量結(jié)果計算得到不同地區(qū)的干旱級別，從而實現(xiàn)對干旱發(fā)展趨勢的分析。結(jié)果表明，基于降水量預(yù)測數(shù)據(jù)得到的干旱分級與真實情況相比，精度達到85%以上，能夠為“旱腰帶”地區(qū)環(huán)境乃至旱區(qū)改善及生態(tài)修復提供理論基礎(chǔ)和決策依據(jù)。

關(guān)鍵詞 干旱發(fā)展趨勢；干旱等級；降水量預(yù)測；致旱原因；LSTM

中圖分類號 S162? 文獻標識碼 A? 文章編號 0517-6611（2023）13-0192-06

doi：10.3969/j.issn.0517-6611.2023.13.044

Analysis of Drought Trend in Xianyang “Drought Belt”Area Based on LSTM Precipitation Forecast

MA Shai-yan1，WANG Wei1，PEI Li-li2 et al

（1.Xianyang Institute of Agricultural Meteorology，Xianyang，Shaanxi 712034;2.School of Information Engineering， Changan University， Xian，Shaanxi 710064）

Abstract Based on the meteorological monitoring data of 13 meteorological stations in the “drought belt” area of Xianyang from 2010 to 2019， by analyzing the characteristics of precipitation， temperature and drought in this area，combined with data from county meteorological stations since 1960， the precipitation in the “drought belt” area in the past 60 years was simulated， and the precipitation data set in the “drought belt” area was constructed. Based on the long short-term memory （LSTM） network， the precipitation in the “drought belt” region was predicted with historical precipitation data as input. According to the regional drought classification standard， the drought level of different regions could be calculated from the predicted precipitation results， so as to realize the analysis of the drought development trend.The results showed that the drought classification based on the precipitation forecast data had an accuracy of 85% compared with the real situation， which could provide a theoretical basis and decision-making basis for environmental improvement and ecological restoration in the “drought belt” area.

Key words Drought development trend;Drought level;Precipitation forecast;Causes of drought;LSTM

基金項目 咸陽市重大科技專項“東莊水庫區(qū)域生態(tài)環(huán)境變化與種植布局調(diào)整氣象分析研究”（2020K01-33）。

作者簡介 馬篩艷（1977—），女，陜西興平人，副研級高級工程師，碩士，從事農(nóng)業(yè)氣象預(yù)報技術(shù)方法研究。

收稿日期 2022-07-23

氣象干旱主要是降水異常偏少導致的水分短缺現(xiàn)象，而干旱災(zāi)害則是干旱自然現(xiàn)象和人類活動共同作用的結(jié)果［1］。干旱是危害農(nóng)牧業(yè)生產(chǎn)的第一大自然災(zāi)害，旱區(qū)氣候特點及干旱發(fā)展趨勢是旱區(qū)生態(tài)修復的理論基礎(chǔ)和決策依據(jù)［2］，對干旱和旱區(qū)氣候條件的研究歷來都是學者們關(guān)注的熱點。

張強等［3］結(jié)合干旱研究的熱點問題和發(fā)展趨勢，分析了我國干旱研究的不足，提出了我國未來干旱研究需加強典型干旱頻發(fā)區(qū)綜合性干旱科學試驗研究。李耀輝等［4］研究表明氣候變化使我國驟發(fā)性干旱顯著增加，且在未來幾十年有可能持續(xù)下去。咸陽“旱腰帶”地區(qū)是構(gòu)建北山生態(tài)屏障防止北方沙塵的最后一道防線，研究咸陽“旱腰帶”地區(qū)氣候特點，充分利用氣候資源，發(fā)展適應(yīng)氣候特點的林果經(jīng)濟，不僅能提高農(nóng)民收入，也有利于該地區(qū)生態(tài)的逐漸修復，對實施大西安綠色城鎮(zhèn)化戰(zhàn)略意義重大［5-11］。一些學者們也已經(jīng)開展了相關(guān)方面的研究，許瑋等［12］分析了“旱腰帶”地區(qū)近幾年氣溫及降水的變化特征并得出氣候呈干暖化趨勢；馬延慶等［13-16］分別研究了“旱腰帶”地區(qū)葡萄、平歐大果榛子、樹上干杏、石榴等經(jīng)濟林果氣候適應(yīng)性及栽培技術(shù)和管理方法等，以期充分利用氣候資源，發(fā)展適宜性高的雜果，實現(xiàn)鄉(xiāng)村振興和產(chǎn)業(yè)脫貧。

近年來，機器學習模型在降水量預(yù)測方面應(yīng)用趨向成熟，預(yù)測呈現(xiàn)較高的準確度。李正方等［17］利用杭州某地10年間的部分降雨數(shù)據(jù)驗證了基于粒子群優(yōu)化的CART算法對降水量預(yù)測的準確性及穩(wěn)定性。舒濤等［18］通過分析小波神經(jīng)網(wǎng)絡(luò)在趨勢預(yù)測中的優(yōu)越性，結(jié)合NARX動態(tài)神經(jīng)網(wǎng)絡(luò)對拉薩市近10年7月份的降水量進行預(yù)測及預(yù)測檢驗。朱曉霞等［19］通過分析蘭州市近年每月降雨數(shù)據(jù)與滑坡的時空分布特征及兩者關(guān)系，建立有效降水量預(yù)測模型，對黃土滑坡進行預(yù)警。LSTM是 Hochreiter等［20］1997年提出的基于循環(huán)神經(jīng)網(wǎng)絡(luò)理論的具有記憶長短期信息能力的神經(jīng)網(wǎng)絡(luò)，主要是為了解決長序列訓練過程中的梯度消失和梯度爆炸問題。經(jīng)過若干代的發(fā)展，已經(jīng)在氣候環(huán)境、溫濕度、降水量預(yù)測方面得到了廣泛的應(yīng)用。

目前對“旱腰帶”地區(qū)的研究基本以短期的氣象條件為主，缺乏對長期監(jiān)測數(shù)據(jù)挖掘與未來干旱趨勢預(yù)測的相關(guān)研究，對“旱腰帶”各地差異及與周邊區(qū)域分析也鮮有涉及，使得“旱腰帶”地區(qū)環(huán)境改善及生態(tài)修復缺乏理論基礎(chǔ)和決策依據(jù)。該研究基于2010—2019年“旱腰帶”地區(qū)氣象觀測資料，結(jié)合1960年以來縣氣象站資料，通過分析“旱腰帶”地區(qū)及其所屬縣區(qū)降水量數(shù)據(jù)特點，構(gòu)建“旱腰帶”地區(qū)降水量數(shù)據(jù)集，并建立LSTM模型，預(yù)測“旱腰帶”地區(qū)未來幾年的降水量，以期為政府在“旱腰帶”地區(qū)實施生態(tài)修復、鄉(xiāng)村振興等方面決策提供依據(jù)。

1 “旱腰帶”地區(qū)氣象要素特征分析

1.1 數(shù)據(jù)來源

該研究所用13個“旱腰帶”地區(qū)監(jiān)測站點資料來源于中國氣象局cimiss數(shù)據(jù)庫，縣氣象站資料來源于地面測報文件，數(shù)據(jù)均通過mdos進行了質(zhì)控。13站位于“旱腰帶”地區(qū)13個鄉(xiāng)鎮(zhèn)，其中涇陽縣4站、禮泉縣2站、乾縣4站、三原縣3站，咸陽“旱腰帶”地區(qū)地形和站點分布如圖1所示。

因自動站11月至次年3月不觀測降水量，故區(qū)域站與自動站年降水量統(tǒng)計時段均為4—10月（此時段為年降水量的主要分布時段，具有一定代表性，滿足分析的需要）。因“旱腰帶”地區(qū)區(qū)域站多為兩要素站，只觀測降水量和氣溫，所以該研究干旱等級采用降水距平百分率指標計算［21］，計算公式如下：

Pa=p-×100%（1）

式（1）中，Pa為降水量距平百分率（%）；p為某時段的降水量（mm）；為常年同期氣候平均降水量（mm）。

氣溫模擬采用線性回歸，最小二乘法計算回歸系數(shù)，確定回歸方程，并對方程進行顯著性檢驗。

1.2 “旱腰帶”地區(qū)氣象要素特征分析

1.2.1 氣象要素年變化特征。

從圖2可以看出，2010—2019年咸陽“旱腰帶”地區(qū)年平均氣溫14.1 ℃，年降水量422.6 mm，極端最高氣溫42.8 ℃，極端最低氣溫-15.9 ℃，日最大降水量99.4 mm。10年間“旱腰帶”地區(qū)氣溫呈緩慢上升趨勢，降水量呈減少趨勢。

1.2.2 氣象要素月變化特征。

從圖3可以看出，近10年咸陽“旱腰帶”地區(qū)月平均氣溫曲線呈單峰分布，1月平均氣溫最低，為-0.1 ℃，7月平均氣溫最高，為27.0 ℃。降水主要集中在7—9月，其中9月降水量最多，為105.8 mm，占年降水量的25%，4月降水量最少，為33.9 mm。

1.3 “旱腰帶”地區(qū)干旱情況特征分析

為了定量描述“旱腰帶”地區(qū)干旱程度，計算了各站近10年的干旱指數(shù)，對照氣象干旱等級表（表1），得到各站干旱等級（表2）。從歷年各站點干旱情況（表2和圖4）來看，2010—2019年“旱腰帶”地區(qū)各站出現(xiàn)了不同干旱類型的頻次。

從時間分布（表2和圖4）上看，2010、2011、2017、2019年 “旱腰帶”各站以無旱或輕旱為主，未出現(xiàn)過中旱以上等級。2016年出現(xiàn)3站次特旱，2站次重旱，是所有年份中特旱及重旱出現(xiàn)最多的一年，其次是2013年，出現(xiàn)了2站次特旱；2010—2014年，以無旱或者輕旱為主，特旱重旱偶有發(fā)生，5年間共出現(xiàn)3站次特旱，1站次重旱；2015—2019年出現(xiàn)4站次特旱，5站次重旱，特旱、重旱區(qū)域及發(fā)生頻次明顯增加，表現(xiàn)出特旱與無旱或輕旱交替出現(xiàn)的極端變化特征，值得注意的是，2016和2018年特旱區(qū)域較大，2017和2019年均沒有出現(xiàn)中旱及以上等級的干旱。

從空間分布（表2）上看，三原大程10年間發(fā)生3次重旱、1次特旱，干旱最為嚴重；乾縣梁山特旱發(fā)生頻次最高，10

年出現(xiàn)2次；涇陽口鎮(zhèn)，禮泉煙霞、昭陵，乾縣陽洪、臨平10年間以無旱或輕旱為主，未出現(xiàn)過中旱以上等級的干旱。

綜上所述，時間分布上，與前5年（2010—2014年）相比，近5年（2015—2019年）特旱及重旱發(fā)生區(qū)域及頻次均有明顯擴大趨勢，同時表現(xiàn)出特旱與無旱或輕旱交替出現(xiàn)的極端變化特征?？臻g分布上，三原陵前、馬額、大程3站特旱及重旱發(fā)生頻次較高，干旱尤為嚴重；禮泉煙霞、昭陵2站未發(fā)生過中旱以上等級干旱，干旱最為緩和；涇陽及乾縣內(nèi)部差異較大，部分地區(qū)干旱等級較高，部分地區(qū)則較低。

2 “旱腰帶”地區(qū)降水量數(shù)據(jù)集構(gòu)建

2.1 縣站降水量與“旱腰帶”站點降水量對應(yīng)分析

對2010—2019年“旱腰帶”各站與對應(yīng)縣站降水量進行分析，發(fā)現(xiàn)各站與所屬縣站降水量變化趨勢較為一致，因此利用1960年以來縣站降水量變化趨勢來表征“旱腰帶”各地降水量變化趨勢是可行的。從1960—2019年降水量變化（圖5）可以看出，自1960年以來，涇陽、乾縣、禮泉3站降水量均呈減少趨勢，其中涇陽減少最為明顯，約為0.2 mm/10 a，其次是乾縣，禮泉無明顯減少趨勢。三原站1970年建站，1988—2005年機構(gòu)改革業(yè)務(wù)調(diào)整，取消了觀測，所以此時段資料缺測，但從其他時段來看，變化趨勢與其他3站基本相同。

2.2 數(shù)據(jù)集構(gòu)建

原始數(shù)據(jù)集包含區(qū)域站日降水量與4縣站月降水量，時空尺度對齊以及數(shù)據(jù)修復是構(gòu)建數(shù)據(jù)集的關(guān)鍵步驟。

2.2.1 時空尺度對齊。

4縣站降水量數(shù)據(jù)包含涇陽、禮泉、乾縣、三原4縣的數(shù)據(jù)，區(qū)域站降水量數(shù)據(jù)包含安吳、云陽、口鎮(zhèn)、王橋、煙霞、昭陵、注泔、梁山、陽洪、臨平、陵前、馬額、大程13個站點的數(shù)據(jù)，通過地理位置信息關(guān)聯(lián)，將區(qū)域站降水量數(shù)據(jù)與4縣站降水量數(shù)據(jù)相匹配，構(gòu)建新的數(shù)據(jù)集，例如，云陽監(jiān)測站位于涇陽縣，因此云陽監(jiān)測站2010年之前的數(shù)據(jù)可以用涇陽縣的降水量數(shù)據(jù)代替；梁山監(jiān)測站位于乾縣，因此梁山監(jiān)測站2010年之前的數(shù)據(jù)可以用乾縣的降水量數(shù)據(jù)代替。

4縣站降水量數(shù)據(jù)集起始時間從1955年至1959年不等，同時這些年數(shù)據(jù)較早，數(shù)據(jù)質(zhì)量并不高，存在大量缺失的情況，因此選取1960年為降水量數(shù)據(jù)起始時間。區(qū)域站降水量數(shù)據(jù)集均為2010—2020年，其中2020年數(shù)據(jù)不完整，選取2010—2019年數(shù)據(jù)。將1960—2009年的4縣站降水量數(shù)據(jù)與2010—2019年的區(qū)域站降水量數(shù)據(jù)對應(yīng)整合，構(gòu)建時間為1960—2019年的“旱腰帶”區(qū)域監(jiān)測站降水量數(shù)據(jù)集。

此外，4縣站降水量數(shù)據(jù)為每年4—10月的月降水量數(shù)據(jù)，區(qū)域站降水量數(shù)據(jù)為完整的全年日降水量數(shù)據(jù)，因此這里對區(qū)域站數(shù)據(jù)進行降采樣，即提取每年4—10月的降水量數(shù)據(jù)。最后將4縣站和區(qū)域站的降水量數(shù)據(jù)按年尺度進行求和，得到年降水量。

2.2.2 數(shù)據(jù)篩選與修復。

同時該數(shù)據(jù)集中包含缺失值，需要首先對數(shù)據(jù)進行篩選與修復，減少對預(yù)測精度的影響。對于有部分數(shù)據(jù)缺失的區(qū)域站，對整體的年降水量及干旱等級影響較小，將缺失值補充為0。對于有大量數(shù)據(jù)缺失或數(shù)據(jù)連續(xù)缺失過多的區(qū)域站，直接將其刪除。最終選取涇陽云陽、乾縣梁山、乾縣注泔、乾縣陽洪、乾縣臨平5個區(qū)域站近60年的年降水量數(shù)據(jù)構(gòu)建數(shù)據(jù)集。

3 基于LSTM模型降水量預(yù)測的“旱腰帶”地區(qū)干旱趨勢分析

3.1 LSTM模型

LSTM網(wǎng)絡(luò)屬于遞歸神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN），傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò)只能從輸入節(jié)點接收數(shù)據(jù)，數(shù)據(jù)只能從輸入層到隱藏層，然后再到輸出層。前饋神經(jīng)網(wǎng)絡(luò)和RNN之間的關(guān)鍵區(qū)別在于，它們除了在內(nèi)部狀態(tài)空間上執(zhí)行操作外，還能夠在輸入空間上進行操作。需要強調(diào)的是，RNN模型有梯度消失和梯度爆炸2個缺點。Hochreiter等［20］通過引入輸入和輸出門的概念，開發(fā)了LSTM架構(gòu)來克服這些問題。LSTM模型的工作原理類似于RNN。然而，它們的區(qū)別在于，除了被稱為細胞［22］的內(nèi)部處理單元外，循環(huán)神經(jīng)元的使用門被稱為“遺忘門”“更新門”和“輸出門”。每個門都負責特定的任務(wù)，“遺忘門”忘記部分過去的信息，“輸入門”記住部分現(xiàn)在的信息，然后將過去的記憶與現(xiàn)在的記憶合并后通過“輸出門”決定最終輸出的部分。

（1）遺忘階段。

這個階段主要是對上一個節(jié)點傳進來的輸入進行選擇性忘記，計算公式如下：

ft=σ（Wf×［Ht-1，Xt］+bf）（2）

式（2）中，ft表示遺忘門輸出，Ht-1表示上一個節(jié)點的輸出，Xt表示輸入，Wf表示遺忘門權(quán)重，bf表示遺忘門偏置，σ表示 Sigmoid 層。

（2）輸入階段。

這個階段將該節(jié)點的輸入有選擇性地進行“記憶”，計算公式如下：

it=σ（Wi×［Ht-1，Xt］+bi）（3）

式（3）中，it表示輸入門輸出，Ht-1表示上一個節(jié)點的輸出，Xt表示輸入，Wi表示輸入門權(quán)重，bi表示輸入門偏置，σ表示Sigmoid層。

當前候選節(jié)點狀態(tài)計算公式如下：

t=tanh（Wc×［Ht-1，Xt］+bc）（4）

式（4）中，t表示當前候選節(jié)點狀態(tài)，Ht-1表示上一個節(jié)點的輸出，Xt表示輸入，Wc表示權(quán)重，bc表示偏置，tanh表示tanh層。

對前2個階段得到的結(jié)果進行計算，計算公式如下：

Ct=ft×Ct-1+it×t（5）

式（5）中，Ct表示傳輸給下一個節(jié)點的狀態(tài)，Ct-1表示上一個節(jié)點的狀態(tài)。

（3）輸出階段。

這個階段將決定哪些信息將會被當成當前狀態(tài)的輸出，輸出門計算邏輯：

ot=σ（Wo×［Ht-1，Xt］+bo）（6）

式（6）中，ot表示輸出門輸出，Ht-1表示上一個節(jié)點的輸出，Xt表示輸入，Wo表示輸出門權(quán)重，bo表示輸出門偏置，σ表示 Sigmoid 層。

當前節(jié)點最終輸出對上一階段得到的Ct采用tanh 函數(shù)進行了放縮，計算公式如下：

Ht=ot×tanh（Ct）（7）

式（7）中，Ht表示當前節(jié)點的最終輸出。

3.2 降水量預(yù)測結(jié)果與分析

以1960—2019年“旱腰帶”區(qū)域監(jiān)測站降水量數(shù)據(jù)集為模型輸入，通過構(gòu)建LSTM模型，以5年的數(shù)據(jù)為一組，對下一年數(shù)據(jù)進行預(yù)測。使用訓練好的LSTM模型預(yù)測2016—2019年的降水量，并與真實數(shù)據(jù)進行對比。以R2、均方根誤差方差（RMSE）和平均絕對誤差（MAE）分別作為精度和誤差的評價指標，部分預(yù)測結(jié)果如表3所示。

其中，乾縣梁山監(jiān)測站與乾縣注泔監(jiān)測站的預(yù)測數(shù)據(jù)與真實數(shù)據(jù)對比如圖6所示。從圖6可以看出，該模型對于降水量的預(yù)測與真實數(shù)據(jù)的擬合程度較高，說明模型能夠較為準確地對降水量未來發(fā)展趨勢進行預(yù)報，從而實現(xiàn)對干旱等級發(fā)展趨勢的分析。在對乾縣注泔區(qū)域站和乾縣梁山區(qū)域站降水量的預(yù)測中，4年降水量預(yù)測結(jié)果的平均絕對誤差（MAE）分別為28.18和53.63 mm（表3）。

3.3 基于降水量預(yù)測結(jié)果的干旱趨勢分析

根據(jù)干旱等級計算公式，選取1981—2010年的平均降水量作為同期氣候平均降水量，將2016—2019年預(yù)測降水量對應(yīng)的干旱等級與真實干旱等級相比較，對比結(jié)果如表4所示。

該研究選取5個站點2016—2019年的數(shù)據(jù)用于測試模型精度，20條數(shù)據(jù)中17條數(shù)據(jù)預(yù)測正確，準確度達到85%。從區(qū)域站角度分析預(yù)測結(jié)果（表4），乾縣臨平、乾縣注泔4年的干旱等級預(yù)測準確率達到100%，涇陽云陽、乾縣梁山、乾縣陽洪4年的干旱等級預(yù)測準確率均為75%。從干旱等級角度分析預(yù)測結(jié)果，輕旱、無旱等級預(yù)測準確率達到100%；模型只是較少出現(xiàn)的重旱、特旱等級難以完全預(yù)測準確。

4 結(jié)論

基于2010—2019年咸陽“旱腰帶”地區(qū)及周邊區(qū)域的氣象觀測數(shù)據(jù)，分析“旱腰帶”地區(qū)及周邊區(qū)域的干旱特征，結(jié)果發(fā)現(xiàn)，在時間分布方面，近5年特旱及重旱發(fā)生區(qū)域及頻次均有明顯的增加趨勢，同時表現(xiàn)出特旱與無旱或輕旱交替出現(xiàn)的極端變化特征。在空間分布方面，三原縣特旱及重旱發(fā)生頻次較高，干旱尤為嚴重，禮泉干旱最為緩和，涇陽及乾縣內(nèi)部差異較大，部分地區(qū)干旱等級較高，部分地區(qū)則較低。各地主要致旱原因略有差異，但降水量下降是共同特點。

以咸陽“旱腰帶”地區(qū)周邊區(qū)縣的氣象站資料模擬該地區(qū)近60年降水量，建立基于LSTM降水量預(yù)測模型，對干旱趨勢進行預(yù)測分析。雖然降水量預(yù)測值與真實值存在一定差異，但是在進行干旱等級計算后，基于降水量預(yù)測數(shù)據(jù)得到的干旱分級與真實情況相比，精度達到85%，能夠為“旱腰帶”地區(qū)環(huán)境改善及生態(tài)修復提供理論基礎(chǔ)和決策依據(jù)。

該研究主要分析了“旱腰帶”地區(qū)氣象干旱等級及基于LSTM降水量預(yù)測模型的干旱發(fā)展趨勢，對咸陽“旱腰帶”地區(qū)干旱發(fā)展有一定指示意義，但由于區(qū)域自動站多為兩要素站，僅觀測降水、氣溫兩項，故該研究中干旱級別采用降水距平百分率來劃分，而降水距平百分率在表征干旱時只考慮降水因素，未考慮蒸發(fā)等因素，是該研究的不足及有待改進之處。

參考文獻

［1］ 張劍明，段麗潔.2013年夏季湖南省持續(xù)高溫干旱變化特征及其成因分析［J］.氣象與環(huán)境學報，2018，34（4）：45-51.

［2］ 馬永忠，蔡福，趙先麗，等.花后持續(xù)干旱對玉米生理參數(shù)及產(chǎn)量的影響［J］.氣象與環(huán)境學報，2019，35（2）：102-106.

［3］ 張強，姚玉璧，李耀輝，等.中國干旱事件成因和變化規(guī)律的研究進展與展望［J］.氣象學報，2020，78（3）：500-521.

［4］ 李耀輝，周廣勝，袁星，等.干旱氣象科學研究：“我國北方干旱致災(zāi)過程及機理”項目概述與主要進展［J］.干旱氣象，2017，35（2）：165-174.

［5］ 蔡福，明惠青，謝艷兵，等.東北地區(qū)春玉米關(guān)鍵生育期干旱對根系生長的影響［J］.氣象與環(huán)境學報，2018，34（2）：75-81.

［6］ 杜和平.咸陽市渭北旱腰帶水土流失危害及防治對策［J］.農(nóng)業(yè)科技與信息，2016（16）：44-45，47.

［7］ 李健偉，朱引團.渭北“旱腰帶”的呼喚：三秦環(huán)保世紀行渭北“旱腰帶”石灰石開采影響生態(tài)環(huán)境問題追蹤報道［J］.法治與社會，2012（10）：16-18.

［8］ 朱鋆.生態(tài)文明引領(lǐng)下的環(huán)境脆弱地區(qū)多維度發(fā)展路徑：以咸陽市旱腰帶核心地區(qū)為例［J］.規(guī)劃師，2017，33（S2）：164-168.

［9］ 中共咸陽市委 咸陽市人民政府關(guān)于印發(fā)《咸陽市“旱腰帶”特困片區(qū)扶貧攻堅規(guī)劃（2011年～2020年）》的通知［A］.2014.

［10］ 杜馳曄，王芳，孫麗楠，等.“旱腰帶”地區(qū)產(chǎn)業(yè)扶貧的調(diào)查與思考［R］.2020.

［11］ 馮雪.以五大發(fā)展理念為引領(lǐng)推進旱腰帶地區(qū)農(nóng)業(yè)強 農(nóng)村美 農(nóng)民富［J］.新西部，2018（32）：26-27.

［12］ 許瑋，趙婧，方永俠，等.咸陽渭北旱腰帶地區(qū)氣候特征分析［J］.咸陽師范學院學報，2020，35（4）：73-76.

［13］ 馬延慶，范建璋，劉長民，等.陜西咸陽渭北“旱腰帶”優(yōu)質(zhì)葡萄基地生態(tài)條件分析與對策［J］.中外葡萄與葡萄酒，2007，32（5）：33-36.

［14］ 劉建海，阮班錄，仝玉琴，等.平歐大果榛子在咸陽旱腰帶地區(qū)栽培管理技術(shù)［J］.陜西農(nóng)業(yè)科學，2020，66（12）：95-98.

［15］ 何曉光，陳明杰，孫丙寅，等.渭北“旱腰帶”樹上干杏栽培技術(shù)研究［J］.陜西農(nóng)業(yè)科學，2020，66（11）：64-66.

［16］ 吳雙，姜麗霞，李宇光，等.基于自然災(zāi)害風險理論的黑龍江省玉米干旱風險評價［J］.氣象與環(huán)境學報，2019，35（6）：139-144.

［17］ 李正方，杜景林，周蕓.基于改進CART算法的降雨量預(yù)測模型［J］.現(xiàn)代電子技術(shù)，2020，43（2）：133-137，141.

［18］ 舒濤，葉唐進，李俊杰，等.降雨量及疊加預(yù)測方法研究［J］.高原氣象，2021，40（1）：169-177.

［19］ 朱曉霞，張力，楊樹文.降雨引發(fā)的蘭州黃土滑坡時空規(guī)律分析和臨界降雨量預(yù)測［J］.中國地質(zhì)災(zāi)害與防治學報，2019，30（4）：24-31.

［20］ HOCHREITER S，SCHMIDHUBER J.Long short-term memory［J］.Neural computation，1997，9（8）：1735-1780.

［21］ 楊霏云，鄭秋紅，羅蔣梅，等.實用農(nóng)業(yè)氣象指標［M］.北京：氣象出版社，2015.

［22］ SUTSKEVER I，VINYALS O，LE Q V.Sequence to sequence learning with neural networks［C］//The 27th international conference on neural information processing systems（NIPS14）.Cambridge，MA：MIT Press，2014.