Page 203 - 《武汉大学学报（信息科学版）》2025年第6期

第 50 卷 第 6 期 武 汉 大 学 学 报（ 信 息 科 学 版 ） Vol.50 No.6
2025 年 6 月 Geomatics and Information Science of Wuhan University Jun. 2025

引文格式：单晶,薛丰昌,程瑶 . 城市内涝 ChebNet-LSTM 积水预测模型[J]. 武汉大学学报（信息科学版）,2025,50(6):1225-
1234.DOI:10.13203/j.whugis20250005
Citation：SHAN Jing,XUE Fengchang,CHENG Yao.ChebNet-LSTM Waterlogging Prediction Model for Urban Flooding[J].
Geomatics and Information Science of Wuhan University,2025,50(6):1225-1234.DOI:10.13203/j.whugis20250005
城市内涝 ChebNet-LSTM 积水预测模型

单 晶 薛丰昌 程 瑶 1
1
1
1 南京信息工程大学气象灾害地理信息工程实验室，江苏 南京，210044

摘 要：随着城市化快速发展，极端暴雨事件频发，城市内涝问题日益严重，精准的积水深度预测对防灾减灾至关重要。
现有预测方法中，统计模型难以处理复杂时空特征，而传统机器学习方法又缺乏有效的时空关联建模能力。因此，开发
能够有效融合时空特征的预测方法具有重要现实意义。ChebNet 利用各监测站间的节点关系矩阵挖掘空间关联，长短期
记忆网络(long short-term memory network，LSTM)捕捉数据在时间序列上的变化，二者结合可以充分提取积水深度数据
中的时空特征，有效解决传统模型难以兼顾空间与时间信息的局限。采用河南省开封市城区 2020—2021 年 15 个积水监
测站的小时积水深度观测数据、6 个气象站的小时降水数据以及 15 个监测站之间的距离数据，构建 ChebNet-LSTM 模
型，并用该模型对测试集中的监测站点进行积水深度预测，预测结果显示，平均绝对误差为 0.62，平均绝对百分比误差为
6.23%，均方根误差为 1.06。各项指标表明，ChebNet-LSTM 模型在预测积水深度时具有较高的准确性和可靠性。与图
注意力网络、LSTM、时空图卷积网络等模型相比，ChebNet-LSTM 模型展现出较好的性能，能够有效预测积水变化趋
势，为城市排水规划和防涝决策提供重要支持。
关键词：城市内涝；积水深度预测；时空特征；图卷积网络；长短期记忆网络
中图分类号：P208，TP18 文献标识码：A 收稿日期：2025‑01‑08
DOI：10.13203/j.whugis20250005 文章编号：1671‑8860（2025）06‑1225‑10
ChebNet-LSTM Waterlogging Prediction Model for Urban Flooding

SHAN Jing XUE Fengchang CHENG Yao 1
1
1
1 Laboratory of Geographic Information Engineering for Meteorological Disasters, Nanjing University of Information Science
and Technology, Nanjing 210044, China
Abstract： Objectives: With the increasing frequency of extreme rainfall events and rapid urbanization, ur‑
ban waterlogging has become a growing concern. Accurate prediction of water accumulation depth is crucial
for disaster prevention and mitigation. Traditional statistical models struggle to capture complex spatiotem‑
poral features, while conventional machine learning methods lack effective modeling capabilities for spatio‑
temporal correlations. Methods: To address these limitations, this paper proposes a ChebNet-LSTM
(long short-term memory network) model that effectively integrates spatial and temporal features for im ‑
proved prediction accuracy. ChebNet leverages the relational matrix between monitoring stations to extract
spatial correlations, while LSTM captures temporal patterns in the data. By combining these two approach‑
es, the proposed model fully exploits the spatiotemporal characteristics of water accumulation depth data,
overcoming the shortcomings of traditional models that fail to account for both spatial and temporal informa‑
tion.The study utilizes hourly water depth observations from 15 monitoring stations, hourly precipitation da‑
ta from six meteorological stations, and distance data between the monitoring stations in Kaifeng City,
Henan Province, from 2020 to 2021.The ChebNet-LSTM model is constructed using these datasets and

subsequently applied to predict water accumulation depths at monitoring stations in the test set. Results：：

基 金 项 目 ：河 北 省 资 源 环 境 灾 变 机 理 及 风 险 监 控 重 点 实 验 室 开 放 基 金（FZ248101）；中 国 气 象 局 流 域 强 降 水 重 点 实 验 室 开 放 基 金
（2023BHR‑Y29）。
第一作者：单晶，硕士生，主要从事城市内涝数值模拟研究。2870405807@qq.com
通信作者：薛丰昌，博士，教授。001968@nuist.edu.cn