تُقدّم هذه المقالة نهجًا يعتمد على التعلم العميق للتعرف على المياه السطحية الصغيرة باستخدام صور الأقمار الصناعية متعددة الطيف، حيث يقلل من التعقيد الحسابي بنسبة تصل إلى 18.66 مرة، ويزيد من دقة التعرف على المياه السطحية بنسبة تصل إلى 14.1٪. ويستخدم النموذج المقترح التصوير الطيفي في المنطقة تحت الحمراء (Near Infrared) إلى جانب الصور الطيفية المكونة من الألوان الحمراء والخضراء والزرقاء (RGB) لتعزيز دقة التعرف على المياه السطحية. بالإضافة إلى ذلك، نظرًا لأن المياه السطحية تمثل نسبة صغيرة جدًا من بيانات الاستشعار عن بعد، مما يؤدي إلى مشكلة عدم التوازن، تم تقديم دالة خسارة مقترحة تدمج بين الخسارة القائمة على المناطق والخسارة القائمة على التوزيع. كما تم تقديم عامل تكيّفي يُعدّل تلقائيًا الوزن بين دالتَي الخسارة القائمة على التوزيع والخسارة القائمة على المناطق. ويُحدَّد هذا العامل التكيّفي بناءً على قيمة الخسارة في خطوة التدريب السابقة. وتم تسجيل معامل التداخل المتوسط على أساس التقاطع (Mean Intersection over Union) بين مناطق المياه السطحية المُتنبّأ بها والمناطق الحقيقية (Ground Truth) بقيمة تبلغ 0.80.