O mapeamento de rios tem uma grande importância para estudos ambientais, especialmente no que diz respeito à proteção e conservação de recursos naturais. Rios são elementos cruciais para a manutenção da vida e dos ecossistemas, por isso o mapeamento preciso dessas características é essencial. Neste trabalho, o objetivo foi mapear cursos d'água em imagens RGB usando algoritmos de aprendizado de máquina supervisionado - Random Forest (RF) e Support Vector Machine (SVM). O estudo de caso foi conduzido na região da 22ª Unidade de Gerenciamento de Recursos Hídricos do Pontal do Paranapanema, em São Paulo, utilizando imagens aéreas RGB de alta resolução espacial (1 metro). O método incluiu a preparação dos dados, treinamento e validação dos algoritmos de aprendizado de máquina, usando métricas quantitativas como o F1-score, e uma avaliação qualitativa dos resultados. Embora ambos os algoritmos tenham apresentado desempenho elevado, o SVM mostrou-se superior em termos de F1-score médio. No entanto, o RF destacou-se ao lidar com regiões mais complexas das imagens RGB, como áreas secas dentro dos rios, apresentando menos falsos negativos. Esta pesquisa abre caminho para o uso eficiente de técnicas de aprendizado de máquina na análise de imagens RGB de alta resolução espacial para mapear rios, com potencial para auxiliar estudos de impacto ambiental e na gestão de recursos hídricos.
The mapping of rivers holds great importance for environmental studies, especially regarding protecting and conserving natural resources. Rivers are crucial for maintaining life and ecosystems, making the accurate mapping of these features essential. This work aimed to map watercourses in RGB images using supervised machine learning algorithms - Random Forest (RF) and Support Vector Machine (SVM). The case study was conducted in the region of the 22nd Water Resource Management Unit of Pontal do Paranapanema, in São Paulo, using high spatial resolution RGB aerial images (1 meter). The method included data preparation, training, and validation of the machine learning algorithms, using quantitative metrics such as the F1-score and a qualitative evaluation of the results. Although both algorithms presented high performance, SVM proved superior in the average F1-score. However, RF stood out when dealing with more complex regions of the RGB images, such as dry areas within rivers, presenting fewer false negatives. This research paves the way for the efficient use of machine learning techniques in analyzing high spatial resolution RGB images to map rivers, with the potential to assist in environmental impact studies and water resource management.
