O monitoramento da profundidade da água de alta resolução e sem contato é crucial para a gestão e proteção das paisagens de lagos com florescimento de algas. A sensoriamento remoto por satélite não consegue capturar as características finas dos sedimentos subaquáticos em lagos com florescimento de algas. Nos últimos anos, a tecnologia de sensoriamento remoto por drones leves e pequenos tem sido gradualmente aplicada para a detecção de profundidade da água em ultra-alta resolução em áreas rasas. No entanto, o modelo logarítmico clássico para a inversão da profundidade da água é difícil de adaptar ao fenômeno de espalhamento Rayleigh amplamente presente em lagos com florescimento de algas. Portanto, este artigo utiliza modelos de aprendizado de máquina para realizar um estudo de inversão da profundidade da água em lagos com florescimento de algas baseado em imagens de drones. A área experimental é o Lago Huohua em Jiuzhaigou, província de Sichuan, China. Os modelos de inversão de profundidade baseados em Random Forest (RF), Máquina de Vetores de Suporte (SVM) e Perceptron Multicamadas (MLP) foram treinados e validados, com erros quadráticos médios da raiz de 0,816 m, 0,945 m e 0,832 m, respectivamente. Os resultados experimentais mostram que os modelos de aprendizado de máquina têm maior precisão na inversão da profundidade em comparação com o modelo logarítmico tradicional. Entre eles, os modelos Random Forest e Perceptron Multicamadas são mais adequados para a inversão da profundidade dos lagos com florescimento de algas baseada em imagens de drones do que o modelo de Máquina de Vetores de Suporte.

lagos com florescimento de algas; drones; imagens aéreas; inversão da profundidade; aprendizado de máquina; Random Forest; Máquina de Vetores de Suporte; Perceptron Multicamadas