EN
DE
要想有效管理整个城市的水资源，就必须正确理解其所处的环境，更重要的是要了解水资源过剩时的去向。有鉴于此，纽约市环境保护局 (DEP) 的环境规划和分析局 (BEPA) 向我们寻求专业知识，以开发全市范围内的不透水区地理信息系统 (GIS) 图层。
简单地说，这是一项有助于充分了解全市土地构成的研究，以确定哪些区域可以吸收和容纳多余的水，哪些区域是不透水的，水会直接流走并造成问题。
纽约市通常被称为 "水泥森林"，因为这里有数千平方英里的不透水地面（屋顶、人行道、人行道等）。然而，纽约市已经做了大量工作来减少这些造成严重洪涝灾害的表面。2010 年纽约市绿色基础设施计划就是其中之一，该计划为更有效、更可持续地管理雨水指明了方向。
利用数据推动雨水管理
虽然防渗地图是在十多年前绘制的，但数据、地图分辨率和遥感技术都有了长足的进步。我们的工作是向他们提供详细的鉴证信息，以确保环保部能够在未来不断更新这一重要的水管理数据。这将使环保部能够验证他们的计划，并提供一个数据源，环保部可以利用该数据源来推动雨水政策，以改善城市水道的质量，同时减少洪水对周边地区的影响。
通过数字规划实现自动化和机器学习
这项任务分为四个阶段：研究、制图、审查收集到的信息，最后确保环境部能够在未来更新和维护该流程。 搜索和收集土地渗透性信息绝非易事，但通过在整个项目中使用自动化和数字化方法，我们可以缩短生产时间，完成奥雅纳有史以来规模最大的地理信息系统和遥感研究。
通过物理方法完成这样的工作需要很多年，因此需要使用机器学习的数字化方法。即使采用了最新的数字化方法，仍需要大量的数据收集和人工时间来开发自动化流程。
战略性地使用数据收集技术
我们利用航空图像、激光雷达数据、平面测量数据和地籍数据绘制了一张单一的土地覆被图。我们能够识别出 17 种不同的土地空间要素，从道路和建筑足迹到河流、湖泊、农业区和绿化区。此外，还必须对技术进行编程，以便从上方识别车辆并量化下方的固体土地，同时考虑到其他要素，如树冠和一天中某些时段的阴影。
项目团队对全市 1% 的土地覆被进行了分类，然后用于训练机器学习算法，以自动生成完整的纽约土地覆被分类图。 为确保准确性，我们将我们的技术成果与独立水文学家从 25 个随机选取的地块中划分的结果进行了比较，结果表明，该技术在所有区域的准确率都在 90% 以上，在许多区域的准确率甚至高达 99%。
这使得我们能够在全市范围内使用这种方法，整理超过 3TB 的多光谱图像、光探测和测距 (LiDAR) 以及其他 GIS 数据，对 345 平方英里和 857,589 块土地进行分析。
与环境保护部共享数据
我们能够向环境保护部提供准确的高分辨率 GIS 数据集，以及一份关于 10 年前位置的趋势分析比较报告。
此后，这些信息被发布在纽约的一个开放数据门户网站上，并向公众开放，从而使人们对整个城市土地的了解完全透明化。重要的是，它为当地环境机构了解城市土地覆盖类型提供了一个清晰的视角，为全市范围内的规划工作、项目、政策和计划提供信息和支持。