侯精明，西安理工大学教授，博导。主要从事水动力模拟、水灾害管理、城市水利等方面的研究。博士毕业于德国柏林工业大学。2016年入选陕西百人计划。2017年入选国家青年千人计划。担任陕西青志协理事会副会长，IAHR中国分会执委，中国水利学会城市水利专委会委员，两个国际期刊专刊副主编，20余个SCI期刊的审稿人。发表学术论文50余篇。负责国家千人计划项目、国基金、西咸新区和宁夏固原国家海绵试点科研及生产项目10余项。

城市内涝过程中，开展洪涝过程监测，对建立科学的应对机制，降低内涝成灾的风险，减少内涝灾害引起的损失具有重要意义，且系统的内涝监测数据对城市雨洪数值模拟参数率定和模型验证工作起到关键作用。如何高效、安全、精准地开展城市内涝监测，对现有水情量测科技提出了更高的要求，也是当前城市防洪排涝工作的一个重要挑战。

传统的城市内涝监测方式主要包括现场人工监测、辅助标记测量、仪器设备测量等，这些监测方法效率低、难度大、精度差，对人力物力财力要求较高。有些地区监测环境恶劣，且暴雨伴随的雷电天气导致监测过程极其危险。随着现代信息技术的发展，为城市内涝过程科学监测提供了有效的技术途径，其中深度学习技术受到越来越广的关注。将深度学习技术应用于城市内涝过程监测中，能高效、安全且精准地实现内涝智能监测。

应用基于深度学习技术的城市内涝过程监测方法，首先要根据城市地区的降雨空间分布特征、城市建筑物空间格局、排水管网系统规划布置等，建立内涝监测点优化布置方案。然后通过安装自动高清监控设备，对内涝点积水过程进行长期实时监控，不需购置昂贵的监测仪器、不需要大量人力，便可通过远程操作完成对内涝点积水情况的实时监测，采集到海量的图像、视频信息数据。最终采用深度学习技术对内涝监测点积水过程的图像信息进行识别分析，快速自动提取不同时刻、不同地点图像中积水的面积和边界特征信息，准确获取各内涝点的积水特征。

对于发生严重内涝情况的下沉式立交桥下等地点的监测，由于人员不能到达现场查勘，监测难度更大，可通过深度学习算法实现对立交桥下水尺图像示数自动读取，高效准确采集到积水深度的信息。基于深度学习技术的城市内涝监测的优势远优于传统的人工监测方式，突破了传统人工监控方法的局限性，保证了内涝监测过程中积水信息获取的实时性、连续性和准确性，且具有低成本的优势，为城市内涝监测工作提供了强有力的技术支持。

深度学习技术的应用将推动城市内涝监测方式的发展，也有望成为城市防洪排涝决策服务的一种重要技术手段。开展基于深度学习技术的内涝监测研究具有较好的前景和重要的实际应用价值。