Extração de Corpo Hídrico Usando uma Cena Sentinel-1 e Redes Neurais Artificiais: Estudo de Caso - Barragem de Carpina-PE

Resumo

A água de superfície é o recurso e fator ambiental mais importante para manter a sobrevivência humana e a estabilidade dos ecossistemas, portanto, informações precisas e oportunas sobre águas superficiais são urgentemente necessárias. Neste estudo foi proposto uma abordagem de classificação de imagens por Redes Neurais Artificiais para o mapeamento da extensão da água de superfície da Barragem de Carpina-PE usando dados (SAR) do satélite Sentinel-1, bem como suas polarizações (VH e VV) e os índices polarimétricos de água gerados (SDWI e SWI). Todos os conjuntos de dados apresentaram limitações na detecção de pequenos corpos hídricos, como rios estreitos, e superestimação em áreas de pastagem, gerando erros de comissão variando de 16,5 % a 28,9% e erros de omissão variando entre 1,47% e 3,5%, com destaque para as polarizações VH e VV. A precisão geral da classificação variou de 96% a 98% e valores de R² chegaram próximo de 1, onde o melhor desempenho foi visto para o SDWI e o SWI. Os experimentos comparativos indicaram que, as polarizações unitárias de radar com índices polarimétricos de água, foram úteis para melhorar a precisão da extração de corpos hídricos em locais com muitas nuvens, sem variações significativas, além de fornecer informações detalhadas, com potencial de monitoramento contínuo.

Palavras-chave:
Aprendizagem Profunda; Sensoriamento Remoto; Radar de Abertura Sintética; Recursos Hídricos