英国地形测量局携手Snowflake，构建AI洪水风险评估模型

英国地形测量局（Ordnance Survey，简称OS）与Snowflake合作开发了名为"智能洪水防备"的AI驱动数据模型，专门用于评估洪水影响。该模型分析发现，英格兰有120万人面临洪水防护措施缺失的风险，其中许多人居住在全国最贫困的地区。

该模型的主要应用场景是政策制定领域。与以往将大片地理区域视为均质整体的评估方式不同，该模型能够支持对更细粒度数据的分析。据Snowflake和OS介绍，政策制定者可以借助该模型，识别带地下室的历史建筑分布，并在相关区域针对性地应用对应保护方案。此外，该模型还能帮助决策者识别脆弱区域的集中分布情况，尤其适用于跨越地方政府管辖边界或洪水风险管理计划（FRMP）分区的区域。

该模型整合了OS的建筑数据、多项政府数据及现行洪水风险管理计划，将六个相互独立的关键数据源汇聚为一个统一的"结构智能"数据层。

在初步分析阶段，研究团队将OS的建筑数据集与英格兰剥夺指数（Indices of Deprivation）相结合，识别出物理脆弱性（建筑高度与类型）与社会风险的交叉地带。随后，团队进一步叠加了英国环境署（EA）的洪水数据、EA针对河流与海洋的有防护及无防护洪水风险范围数据，以及对逾3000页法定洪水风险管理计划文件进行AI文本分析的结果。

Snowflake和OS指出，模型估计，在已识别的建筑中，高达68%的建筑极易受洪水后续影响——这些建筑不仅面临较高的洪水风险，还位于经济较为落后的地区，可能缺乏足够的资源与社会支持体系，难以在灾后快速恢复。值得关注的是，这些无防护建筑中，多达84%建于2001年以前，彼时法规尚未强制要求将洪水风险纳入规划审批流程，这可能是脆弱性加剧的重要原因之一。

模型还指出，约克郡和亨伯地区（Yorkshire and the Humber）是脆弱、无防护建筑集中程度最高的地区之一。

此外，模型分析结果还显示，15%的高风险建筑建于1919年以前，23%建于1919年至1959年间，这意味着这些建筑在建造之时，其所在位置很可能尚未成为洪水风险区。这也进一步凸显了英格兰自然与建成环境的动态变化特征，而这些变化正是由OS的地理空间数据所精准记录的。

OS地理空间咨询负责人蒂姆·奇尔顿（Tim Chilton）表示："英国地形测量局非常高兴能与Snowflake合作，共同开发这一创新型AI模型。该模型有望帮助地方政府更好地理解、规划和应对洪水灾害。"

他补充道："该模型以OS权威可信的地理空间数据为基础，借助Snowflake的技术构建而成，能够深度分析各地区和建筑的防洪保护水平，并指明优先投入关键防洪设施建设的方向。通过提供难以人工推导的地理空间智能，决策者无需逐一分析海量表格，即可获取以数据为驱动的可操作洞见。该模型能够标注脆弱区域，识别风险最高的地点，助力地方政府优化政策、合理调配资源、切实守护社区安全。"

数据还显示，85%的高风险无防护建筑面临的是地表水内涝威胁，而非河流洪水或海岸洪水。Snowflake和OS表示，这一结果意味着，高密度多单元住宅建筑所承载的高风险住户数量，可能超过那些看似更为危险的滨海或临河建筑。

Snowflake全球现场首席技术官法瓦德·库雷希（Fawad Qureshi）表示："数据是科学决策的核心。正如本项目所呈现的，现实中鲜有单一机构掌握全部相关数据，这些数据的格式也往往各不相同。但我们正处于一个技术可以汇聚合适人才与优质数据、共同推动更明智决策的新时代。"

以上数据还可用于评估地表水基础设施投资方案，例如改善排水系统，这对于大多数面临地表水内涝风险的建筑而言尤为关键。

Q&A

Q1：智能洪水防备模型是如何评估洪水风险的？

A：该模型将OS的建筑数据与多项政府数据整合为六个关键数据流，形成统一的"结构智能"数据层。具体包括建筑高度与类型等物理信息、英格兰剥夺指数等社会数据、环境署洪水风险范围数据，以及对3000余页法定洪水风险管理计划文件进行的AI文本分析结果，从多维度综合评估建筑与区域的洪水脆弱性。

Q2：英格兰哪些地区的洪水风险最高？

A：模型分析显示，约克郡和亨伯地区是脆弱、无防护建筑集中程度最高的地区之一。此外，全英格兰约有120万人面临洪水防护缺失风险，其中许多人居住在经济较为落后的地区，这些地区往往缺乏灾后快速恢复所需的资源与社会支持体系。

Q3：智能洪水防备模型对政策制定有什么实际帮助？

A：该模型可帮助政策制定者对更细粒度的数据进行分析，避免将大片地理区域一刀切处理。决策者可利用模型识别特定类型建筑的分布，制定针对性保护方案，还可评估跨行政边界的脆弱区域集中情况，从而更科学地分配防洪投资资源，优先保障风险最高的社区。