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

Abstract

Surface water is the most important resource and environmental factor for maintaining human survival and ecosystem stability, therefore accurate and timely information on surface water is urgently needed. In this study, an image classification approach using Artificial Neural Networks was proposed for mapping the surface water extent of the Carpina-PE Dam using radar image from the Sentinel-1 satellite, as well as its polarizations (VH and VV) and the generated water indices (SDWI and SWI). All datasets presented limitations in detecting small water bodies, such as narrow rivers, and overestimation in pasture areas, generating commission errors ranging from 16.5% to 28.9% and omission errors ranging from 1.47% and 3.5%, with emphasis on VH and VV polarizations. The overall classification accuracy ranged from 96% to 98% and R² values reached close to 1, where the best performance was seen for SDWI and SWI. The comparative experiments indicated that unitary radar polarizations with water spectral indices were useful for improving the accuracy of extracting water bodies in places with clouds, without significant variations, in addition to providing detailed information, with potential for continuous monitoring.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.