Detection of forest windthrows with bitemporal COSMO-SkyMed and Sentinel-1 SAR data

El viento representa una fuente primaria de perturbaciones en los bosques, lo que requiere una evaluación de los daños resultantes para asegurar una gestión forestal adecuada. La teledetección, que abarca tanto técnicas activas como pasivas, ofrece un enfoque valioso y eficiente para este propósito, permitiendo la cobertura de grandes áreas a la vez que es rentable. Los datos de teledetección pasiva podrían verse afectados por la presencia de nubes, a diferencia de los sistemas activos como el Radar de Apertura Sintética (SAR), que se ven relativamente menos afectados. Por lo tanto, este estudio tiene como objetivo explorar el uso de datos SAR bitemporales para la detección del viento en regiones montañosas. Específicamente, investigamos cómo varían los resultados de detección en función de tres factores: i) la longitud de onda del SAR (banda X o banda C), ii) el período de adquisición de las imágenes previas y posteriores al evento (verano, otoño o invierno), y iii) el tipo de bosque (perennifolio vs. caducifolio). Nuestro análisis considera dos constelaciones de satélites SAR: COSMO-SkyMed (banda X, con un espaciado de píxeles de 2,5 m y 10 m) y Sentinel-1 (banda C, con un espaciado de píxeles de 10 m). Nos centramos en tres sitios de estudio ubicados en la región de Trentino-Tirol del Sur de Italia, que experimentaron daños forestales significativos durante la tormenta Vaia del 27 al 30 de octubre de 2018. Para lograr nuestros objetivos, empleamos un enfoque basado en la escala y que preserva los detalles para la detección de cambios en datos SAR bitemporales. Los resultados demuestran que: i) el algoritmo exhibe un rendimiento notablemente mejor al utilizar datos de banda X, logrando una precisión kappa máxima de 0,473 y una precisión equilibrada del 76,1 %; ii) el espaciado de píxeles influye en la precisión, ya que los datos de COSMO-SkyMed alcanzan valores kappa de 0,473 y 0,394 con espaciamientos de píxeles de 2,5 m y 10 m, respectivamente; iii) la época de adquisición de imágenes posterior al evento afecta significativamente el rendimiento del algoritmo, ya que las imágenes de verano arrojan resultados superiores en comparación con las imágenes de invierno; y iv) el tipo de bosque (perennifolio vs. caducifolio) tiene un impacto notable en los resultados, especialmente al considerar los datos de otoño/invierno.