Cet article propose une approche fondée sur le deep learning pour la reconnaissance de petites surfaces d’eau à partir d’images satellites multispectrales, réduisant la complexité computationnelle de 18,66 fois tout en augmentant la précision de la reconnaissance des surfaces d’eau jusqu’à 14,1 %. Le modèle proposé utilise conjointement les bandes infrarouge proche et les images spectrales RGB afin d’améliorer la précision de la détection des surfaces d’eau. En outre, étant donné que les surfaces d’eau ne représentent qu’une faible proportion des données de télédétection, ce qui engendre un problème d’imbalanced data, une fonction de perte proposée est introduite, combinant une perte basée sur les régions et une perte basée sur la distribution. Cet article présente un facteur d’adaptation qui ajuste automatiquement les poids entre les fonctions de perte basées sur la distribution et celles basées sur les régions. Ce facteur d’adaptation est déterminé en fonction de la valeur de perte obtenue à l’étape précédente de l’entraînement. Le taux moyen d’intersection sur union (mIoU) entre les régions prédites et les régions vérité terrain pour les surfaces d’eau atteint 0,80.