A extração precisa de corpos d'água superficiais é de grande importância para prevenção de enchentes, mitigação de desastres e planejamento de recursos hídricos. No entanto, devido às diferenças na escala espacial entre rios, lagos e seus afluentes, os algoritmos tradicionais de extração baseados em uma única escala frequentemente não conseguem capturar completamente as informações dos corpos d'água, além de negligenciarem detalhes nas bordas e terem dificuldade em identificar corpos d'água de pequena escala de forma eficaz. Diante disso, foi proposto um modelo de rede de codificação-decodificação com fusão de características em múltiplas escalas (Multi-Scale Feature Fusion Encoding-Decoding Network, MSFFEDN), capaz de extrair efetivamente informações semânticas em diferentes escalas, realizando a extração automática de corpos d'água superficiais complexos e diversificados. Imagens de sensoriamento remoto GF-3 foram usadas como fonte de dados. A acurácia geral da extração da água pelo método MSFFEDN é de 90,42%, superior a métodos como Máquina de Vetores de Suporte (Support Vector Machine, SVM), Floresta Aleatória (Random Forest, RF), U-Net, U-Net-ResNet34 e o modelo WENet (Waterline Extraction Net). O modelo MSFFEDN considera informações semânticas em diferentes escalas, fornecendo uma nova perspectiva para a extração de corpos d'água superficiais.

extração de corpos d'água superficiais;SAR;fusão de características em múltiplas escalas;MSFFEDN;GF-3