编辑推荐：
本综述聚焦城市内涝预测，指出现有传统模型（如 SWMM）存在计算成本高、实时性不足等局限，梳理机器学习（ML）、深度学习（DL）、大语言模型（LLMs）等 AI 技术在提升数据处理、特征工程及预测精度方面的进展，展望其优化应急响应的潜力。
城市内涝预测研究背景与挑战
城市内涝由极端降雨超排水能力引发，具水深浅、历时短、频率高特点。IPCC 指出气候变化改变水循环时空格局，2030 年极端降水频率或增 7%。2000-2020 年全球不透水地表扩 28%，加剧径流。2021 年洪涝灾害频率较 2011-2020 年均值高 41%，WRI 预测 2030 年全球沿海内涝影响人口或从 700 万翻倍至 1500 万，中国沿海特大城市因雨洪与风暴潮叠加，年损失超 500 亿美元，凸显提升内涝预测精度的必要性。
城市内涝预测需识别关键指标，其区域差异大、影响因素难量化（如不透水率、排水管密度）、时空分布复杂。预测系统分短时（0-24h）、中期（1-3d+），前者用气象与监测数据支撑应急行动，后者借水文模型评估风险，但实际性能受数据质量、模型精度等制约。
传统动态机理模型（如 SWMM、Info Works ICM）通过水动力学方程模拟内涝，但存在计算成本高（百万网格需数小时计算）、数据依赖强（发展中城市常缺高分辨率地形与管网数据）、实时性差（极端降雨难实现亚小时级预测）等局限，亟需新方法。
AI 技术在内涝预测中的应用进展
AI 技术通过特征提取、实时预测、不确定性量化突破传统模型瓶颈。应用方法包括回归、机器学习 [支持向量机（SVM）、随机森林（RF）]、深度学习 [多层感知机（MLP）、长短期记忆网络（LSTM）、卷积神经网络（CNN）]、大语言模型（LLMs）等。
基于 181 篇文献，多数研究聚焦洪水风险制图，预测时长多为 0-1h（38 篇），算法中 CNN 因擅处理图像与空间数据成研究热点，RF 对噪声与异常值鲁棒性强，LSTM 适合捕捉时间序列依赖，SVM 在小数据集表现佳且可避免过拟合。
输入参数主要包括降雨、水深、海拔，输出变量涉及淹没深度、淹没面积、流量。AI 模型通过数据驱动或与机理模型耦合，提升模拟精度与效率，如替代复杂水动力学方程简化水文过程。
未来研究方向与展望
未来需优化数据收集与模型选择，整合多源数据（卫星影像、社会经济信息）并提升时效性；加强模型泛化能力，应对气候变化下内涝模式变化；深化 AI 与物联网、数字孪生技术融合，构建智能预警系统；关注城市排水系统整体性能评估，完善不确定性分析框架，以支撑更精准的应急响应与资源调配。
结论
近 20 年，AI 技术在城市内涝预测中显著提升精度、实时性与智能化水平。CNN、RF、LSTM、SVM 等模型各具优势，未来需通过数据增强、算法创新与跨学科融合，进一步优化预测性能，为城市内涝风险管理提供更强支撑。
