来源：证券时报

叶韦明

从极端天气到地质灾害，人类与自然灾害的博弈从未停歇。救援现场面临大量现实困境：灾害信息如何快速汇聚？有限救援资源如何动态分配？随着各类智能设备正在成为救援体系中不可或缺的关键力量，不同类型设备如何协同工作？这些问题正推动着应急管理从信息通信技术（ICT）向人工智能（AI）深化转型。

回顾过去几十年的灾害管理技术发展，其核心变化始终围绕如何缩短“感知—判断—行动”的时间。

早期灾害管理主要依靠遥感卫星和地理信息系统（GIS）。2008年汶川地震发生后，卫星影像成为判断灾区范围、道路破坏情况和设施损毁程度的重要工具。这一技术在大规模灾害响应中改变了灾害认知方式，使管理者能够在复杂灾区中快速获得整体视角。这一阶段的技术本质仍然是空间测绘——卫星能告诉人们哪里发生了灾害，却无法实时回答灾区正在发生什么。信息技术在这一阶段更多承担信息获取和传递功能，主要用于灾后信息采集和信息发布，由救援机构收集灾情并发布信息，尚未深入参与复杂环境下的分析和决策。随着极端天气发生频率增加，灾害变化速度不断加快，传统地图和固定预案越来越难以适应快速变化的现实环境。

移动互联网的发展推动灾害感知进入新阶段。2010年前后，社交媒体中公众上传的信息逐渐成为灾害信息的重要来源。在郑州“7·20”暴雨等灾害事件中，社交媒体信息成为传统灾害监测体系的重要补充，每个人都成为灾害感知节点。社交媒体中的众包数据能有效补充传统水文模型，帮助救援人员更快掌握各区域的积水情况和灾害变化。但信息规模扩大也带来了新的挑战：灾害现场的信息越来越多，并不意味着决策越来越准确。大量网络图片缺少地理位置标注，部分视频存在重复传播，甚至有虚假信息混入其中。灾害管理面临的问题逐渐从“获取信息”转向“识别有效信息”。因此，如何利用人工智能从复杂数据中提取可信信号，成为灾害管理技术发展的关键。

近年来，物联网、人工智能和智能硬件的快速发展，推动灾害管理进入第三阶段。这一阶段的核心变化，是机器开始参与判断。通过部署低成本传感器网络，系统可以持续监测水位、降雨量、流速等指标变化。通过计算机视觉技术，AI可以自动识别洪水范围、道路状态以及人员位置等信息。通过预测模型，系统能够提前发现潜在风险。

这一方向正从概念探索进入研究落地阶段。2025年，南方科技大学团队将生成式AI技术引入洪水预报，研究提出了一种基于扩散模型的洪水预测方法DRUM（Diffusion-based Runoff Model）。经测试，该模型将部分重大洪水事件的预警时间提前近一天，预警准确性也显著提高。灾害管理正在从“发生后处理”，转向“提前预测和动态响应”。

人工智能正在驱动灾害救援模式深度变革，推动应急救援体系从被动应对走向主动响应。

第一，利用算法提升资源调度能力。在各类灾情中，灾区人口分布、物资需求和道路情况发生快速变化，传统依靠固定预案的调度方式，容易出现资源错配。AI能够通过实时分析灾害数据，动态调整救援方案。例如，算法可根据受灾人数、天气变化和设备状态，自动优化配送路线和任务优先级。这意味着救援体系将从“提前规划”转向“实时演化”。

第二，推动无人设备从单机运行走向集群协同。在广西洪灾中，除传统救援方式之外，无人机力量在本次救援中展现出了高效的救援优势：搭载摄像设备开展空中灾情巡查，运输应急物资支援受灾区域，参与通信保障，帮助灾区恢复基础通信能力等。但未来的发展方向，不只是增加更多无人机，还应让不同设备形成协同网络。

第三，建立动态灾害地图，实现实时路径规划。灾害环境最大的特点是环境变化具有高度不确定性，安全区域随时可能转变为危险区域。而传统地图难以及时反映这些变化。未来，AI可结合遥感数据、传感器信息和无人设备采集数据，持续更新灾区动态地图，为救援车辆和无人设备提供实时路径规划。灾害区域的“可达性”，将不再依靠灾后调查，而是由算法实时计算。

从广西洪灾中的无人机应用，到未来AI驱动的智能救援体系，灾害管理正在从“设备应用”转向“系统智能”。未来AI救灾的关键，不只是研发更强大的模型，而是推动算法、数据、设备与治理体系形成协同。从卫星遥感到社交媒体，从无人机救援到智能决策，人类应对灾害的方式正在不断变化。过去，我们努力让灾害被更快看见；未来，我们需要让系统更早理解风险，并主动采取行动。AI进入应急管理的价值，在于在极端不确定环境下，帮助人类建立更强的感知能力、更快的响应速度和更高的系统韧性。

本版专栏文章仅代表作者个人观点