L'extraction précise des masses d'eau superficielles revêt une grande importance pour la prévention des inondations, la réduction des risques et la planification des ressources en eau. Cependant, en raison des différences d'échelle spatiale entre les rivières, les lacs et leurs affluents, les algorithmes d'extraction traditionnels basés sur une seule échelle ont souvent du mal à capturer de manière exhaustive les informations sur les masses d'eau, négligeant les détails des frontières et peinant à identifier efficacement les petits plans d'eau. En réponse, un modèle de réseau d'encodage-décodage à fusion multi-échelle des caractéristiques (Multi-Scale Feature Fusion Encoding-Decoding Network, MSFFEDN) a été proposé, capable d'extraire efficacement les informations sémantiques à différentes échelles et de réaliser l'extraction automatique des massifs d'eau de surface complexes et variés. Des images de télédétection GF-3 ont été utilisées comme source de données. Le taux de précision global de l'extraction des masses d'eau avec la méthode MSFFEDN est de 90,42 %, surpassant les méthodes telles que le Support Vector Machine (SVM), la Forêt Aléatoire (Random Forest, RF), U-Net, U-Net-ResNet34 et le modèle WENet (Waterline Extraction Net). Le modèle MSFFEDN prend en compte les informations sémantiques à différentes échelles, offrant une nouvelle perspective pour l'extraction des masses d'eau superficielles.

extraction des masses d'eau superficielles;SAR;fusion multi-échelle des caractéristiques;MSFFEDN;GF-3