Combinação de Aprendizado de Máquina Baseado em Pixel e Objeto para Identificação de Tipos de Corpo d'Água a Partir de Imagens de Sensoriamento Remoto de Alta Resolução Urbana

A água é um dos componentes vitais para o meio ambiente ecológico, desempenhando um papel importante na sobrevivência humana e no desenvolvimento socioeconômico. Os recursos hídricos em áreas urbanas estão gradualmente diminuindo devido à rápida urbanização, especialmente em países em desenvolvimento. Portanto, a extração precisa e a identificação automática de corpos d'água são de grande importância e urgentemente necessárias para o planejamento urbano. Deve-se notar que, embora alguns estudos tenham sido relatados sobre a extração de áreas aquáticas, até onde sabemos, poucos artigos se preocupam com a identificação de tipos de água urbana (por exemplo, rios, lagos, canais e lagoas). Neste artigo, é proposto um novo framework de aprendizado de máquina em dois níveis para identificar os tipos de água a partir de imagens urbanas de sensoriamento remoto de alta resolução. O framework consiste em dois níveis de interpretação: 1) os corpos d'água são extraídos no nível do pixel, onde os índices de água/sombra/vegetação são considerados e 2) os tipos de água são identificados no nível do objeto, onde um conjunto de características geométricas e texturais é utilizado. Ambos os níveis utilizam aprendizado de máquina para a interpretação da imagem. O framework proposto é validado usando imagens do GeoEye-1 e do WorldView-2, em duas megacidades da China, ou seja, Wuhan e Shenzhen, respectivamente. Os resultados experimentais mostram que o método proposto alcançou precisões satisfatórias tanto para a extração de água 95,4% (Shenzhen), 96,2% (Wuhan), quanto para a classificação de tipos de água 94,1% (Shenzhen), 95,9% (Wuhan) em áreas urbanas complexas.