入汛以来，一场接一场的短时强降雨考验着城市的应急体系。对城市管理者来说，最难的场景往往不在暴雨倾盆的那一刻，而在降雨尚未发生前——能否提前预判：哪片区域会积水、积水多深、又要持续多久。

这道难题，正是深圳市城市规划设计研究院股份有限公司（以下简称“深规院”）近年来持续攻关的方向。深规院自主研发的“UPDIS-FLOOD城市内涝AI实时预测平台”，目前已初步具备接入短临降雨预报、动态预测城市积水风险的能力，并在典型片区和深圳市城市尺度完成了测试验证。

极端天气常态化，

让城市内涝风险越来越“捉摸不定”

短历时强降雨突发性强、局地差异大、变化速度快。从雷达图上出现强回波，到街道开始积水，往往只有一两个小时，留给相关部门部署防御的时间窗口非常有限。2023年9月7日夜间，深圳遭遇历史罕见的极端特大暴雨，多个区域出现严重积水。这类事件一再提醒我们：城市积水风险是随着降雨过程动态演变的，一张静态的风险图、一份凭经验作出的判断，越来越难跟上暴雨变化的节奏。

应对这样的新形势，国家层面已有部署

《国务院办公厅关于加强城市内涝治理的实施意见》（国办发〔2021〕11号）要求编制城市内涝风险图，在排水设施关键节点、易涝积水点布设必要的智能化感知终端设备；《关于推进新型城市基础设施建设打造韧性城市的意见》进一步提出，推动新一代信息技术与城市基础设施建设深度融合。水利部在部署构建水旱灾害防御工作体系时，反复强调要具备“预报、预警、预演、预案”能力。2026年，住房和城乡建设部在部署全国城市排水防涝工作时，再次强调要提高精细化、智慧化管理水平。深圳市在相关规划中也明确提出，要搭建全流域多尺度动态洪涝风险预警预报模型。

一边是明确的要求，一边是现实的差距

传统水文水动力模型精度高、可信度高，一直是内涝评估的主力工具，但它有几个绕不开的短板：建模周期长，基础数据要求高，一场模拟动辄数小时甚至数天，很难支撑短临降雨条件下分秒必争的滚动预测。而且模型高度依赖本地化参数率定和专业团队运维，在一个城市用得好，换一座城市往往要从头再来，推广复制的成本不低。

各地这些年建设的智慧水务系统积累了不少监测数据，但“看得见积水”并不等于“算得出风险”——多数系统仍以事中报警、事后复盘为主，预警信息到了，积水往往也已经到了。降雨、积水监测、视频监控这些数据分散在不同部门，缺乏统一的融合分析能力，也让“数据变判断”这一步始终难以走通。

对普通市民来说，同样存在信息差。暴雨预警信号发布后，哪些路段可能无法通行、哪些地下空间需要提前避开，大家往往只能凭经验猜测。如果能把这些判断提前给出来，无论是部门布防还是市民出行，都能多一份从容。

与此同时，技术条件正在成熟

未来两小时逐分钟更新的短临降雨预报，已经成为可以获取的业务化产品；城市地形、建筑、路网等空间数据越来越精细；人工智能在图像识别、时序预测等方向取得实质性突破。把这些条件组合起来，“提前预判积水”第一次真正具备了可行性。缺的，是把它们串成一条完整链路的人。

深规院作为专注于创新和务实解决城市问题的规划咨询研究与设计机构，决定做这个“串线的人”。

UPDIS-FLOOD的研发，依托的是深规院三十余年城市水务与防洪排涝规划的技术积累，技术团队没有把AI当作拿来即用的黑箱，而是走了一条更扎实的路：让专业机理模型给AI当老师。

技术路径分为

“离线训练”和“在线预测”两个阶段

离线阶段，团队用高精度水文水动力模型，对大量设计降雨和历史降雨工况进行系统模拟，生成一套连续的积水过程样本，相当于给AI准备了一套覆盖各种场景的“教科书”；再结合历史积水调查、现场实测和监测资料反复校核，保证每一页“教科书”都经得起推敲。

在线阶段，模型接入逐分钟更新的短临降雨预报，结合城市地形、建筑、路网等空间特征，快速推演不同时刻的积水状态，连续输出积水从发生、发展到峰值、再到消退的完整过程。

支撑这条链路的，

是一个空间—时序融合的深度神经网络

通俗地讲，它既要认识“地”——通过地形识别哪里低洼、水往哪里汇、哪些建筑和道路会阻挡水流；也要读懂“雨”——捕捉降雨强度怎么变、雨峰在什么位置、累计雨量有多少。把“地”和“雨”放在一起学习，模型才能回答“这场雨会在哪里、造成多深的积水”。

验证工作贯穿研发始终

团队一方面将模型预测结果与高精度水动力模拟成果对比，另一方面与历史积水调查、现场洪痕逐一对照。以2023年9月7日极端暴雨为例，模型对河套片区的模拟结果与现场调查高度吻合：赤尾村二巷最大积水深度超过1.1米、裕亨路积水约0.35米、裕亨花园最大积水深度约0.8米，均与实际发生的情况相符。此外，模型对宝安、南山、龙岗等中心城区的评估结果，也与全市内涝风险图成果整体一致。“算出来的”与“实际发生的”相互印证，这是团队判断模型能不能用、敢不敢用的基本依据。

这项工作没有捷径可走。核心算法从2024年开始研发，两年多来经历了数十个版本的迭代，累计代码规模约十万行。团队在模型之外，还针对城市内涝业务特点做了大量工程化处理：细化降雨时序特征、修正降雨空间分布、按积水深度细分风险等级，让模型的输出直接对得上业务部门的语言，而不是一串需要再解释的数字。03

模型之上，深规院搭建了在线运行平台，把研究成果变成了可以日常使用的工具。目前的平台有四个特点。

特点一：快（响应快）

约25平方公里的典型片区，一轮预测计算可在5秒内完成；深圳市城市尺度，一轮预测可在5分钟内完成，并同步生成预测时段内逐分钟的积水成果，空间分辨率达到10米。与传统模型动辄数小时的计算时间相比，这样的速度才跟得上短临降雨的更新节奏。

特点二：准（精度较高）

在既定测试场景下，平台预测结果与高精度水文水动力模拟参考结果总体保持较好一致性，与经校核的高精度水文水动力模型参考结果相比，水深误差可控制5厘米；主要积水区域与历史积水调查成果具有较好的空间对应关系。

特点三：活（能动态）

平台接入未来2小时逐分钟短临降雨预报，动态展示降雨的开始时间、雨强变化、空间分布和累计雨量。随着短临降雨信息持续更新，平台自动启动新一轮预测计算，积水范围、水深等成果同步滚动刷新——不是算一次就结束，而是跟着雨情一路算下去。

特点四：懂（能看懂）

预测成果通过二维地图、三维城市场景、时间动画和重点点位过程线等方式动态展示。管理人员可以直观看到积水从哪里开始、如何扩展、何时达到峰值、何时消退，也可以调取重点点位的积水过程曲线。对指挥部会商研判而言，一张动态演进的积水图，往往比一摞数据报表更有说服力。

这些能力对应的，是实实在在的业务场景：汛前，可以用于风险研判和预案推演；汛中，可以为抢险力量预置、人员转移安排提供参考；汛后，可以用于积水过程复盘和设施效果评估。对水务、应急、街道等基层部门而言，平台的定位不是替代现有系统，而是补上“短临风险快速研判”这块短板。

平台在设计上区分了管理端和公众端：管理端面向业务部门，提供数据管理、预测任务配置、成果发布等完整功能；公众端则用更直白的方式展示降雨过程和积水风险信息，让非专业用户也能看得明白。平台成果同样可以延伸服务重点片区、园区和保险等机构，为安全管理、风险定价提供数据参考。

目前，UPDIS-FLOOD已完成阶段性模型研发、平台搭建和典型场景测试，相关成果已开始支撑实际项目。团队正在结合更多实际降雨过程、积水调查和监测资料持续验证优化，拓展模型在不同雨型、不同区域、不同空间尺度下的适用性，并逐步提升技术成果的标准化和可复制能力，让平台有机会走出深圳、服务更多城市。

这项工作，欢迎更多伙伴一起参与。如果您来自水务、应急、气象、住建等政府部门，或者来自街道、园区、高校、保险等机构，只要关注城市内涝风险预测、内涝风险图编制、防涝规划评估、智慧水务平台共建、试点应用等方向，都欢迎与深规院技术团队联系交流。合作形式灵活多样：可以是联合试点和技术验证，可以是针对重点片区的定制化风险评估，也可以是完整的平台建设与运维服务；对于尚未开展系统建模的城市和片区，团队也可以提供从数据梳理、风险评估到平台搭建的一体化方案。

城市与洪涝的相处，是一个长期课题。每一场暴雨都是新的考题，而技术要做的，是把答题的时间往前挪。未来，深规院将持续推进人工智能与城市水务、空间规划等专业的深度融合，让每一座面临内涝困扰的城市，都有机会在暴雨落地之前，提前看见风险、提前做好准备。