近年极端天气愈趋频繁，为城市污水系统带来沉重压力，有关系统一旦受损，将导致污水泄漏、溢流甚至水浸。为应对这些挑战，香港理工大学研究团队开发一套结合人工智能（AI）及物联网的多层级模型，建构更具成本效益的智能污水管理系统，不但可预测泄漏严重程度、锁定易渗漏区域，更可监测和预测高风险地区的溢流情况。

业界现时普遍使用闭路电视检查管道状况，若要应用于整个污水管网，成本高昂且耗时。理大建筑及房地产学系教授Tarek Zayed教授带领团队开发智能管理模型，利用深度学习算法精准分析污水管道状况，有助识别老化及受损部分，以便规划不同区域闭路电视检查的优先次序。

此系统的核心部分包括由团队开创性设计的“泄漏严重程度指数”（Exfiltration Severity Index，简称ESI），用来量化及模拟个别管道层级的泄漏严重程度，让管理人员能预先识别易泄漏的管段。研究显示，该系统在评估严重程度方面的准确率达85%，能显著降低地下水污染风险。同时，透过优化保养日程，此预测模型将营运效率提高50%至60%，并减少了30%至40%的紧急维修工作。

除泄漏外，管道堵塞亦是导致污水系统无法正常运作的主因，严重时更会引致水浸。研究团队进一步应用物联网技术，模拟水管网络在不同程度堵塞下的运作及溢流情况。

团队与渠务署合作，在九龙区的排水网络安装水位感测器，利用不同数据探勘技术收集真实数据，作模拟案例研究、模型校准及验证之用。团队应用这个以物联网技术为本的监测系统，让曾出现堵塞问题的管段接受重点清理，提升其整体效能85%，成效显著。