Automated pipeline for deriving analysis-ready Sentinel-1 SAR backscatter and coherence products applied to wildfire monitoring

A fully automated pipeline was created to produce Sentinel-1 Synthetic Aperture Radar (SAR) backscatter and interferometric coherence products that are ready for time series analysis. The pipeline was then used for testing SAR wildfire monitoring capacity. The workflow streamlines the processes of data retrieval and preprocessing of SLC imagery by using SNAP operations and Python scripts, resulting in geocoded γ0 backscatter (VH, VV) and repeat-pass coherence that is appropriate for time-series analysis. This method was applied to two Mediterranean wildfires occurred in 2021 (Sardinia, Calabria), Italy. The processing steps for backscatter retrieval included refining orbit metadata, removing thermal noise, calibrating radiometrically, TOPSAR debursting, multilooking, applying speckle filtering, and geocoding the data; the interferometric process involved also co registration and coherence estimation. Backscatter and coherence were analysed by burn severity and land cover classes. Change metrics (such as ∆VH, ∆VV, Radar Burn Ratio, Radar Vegetation Index and ∆RVI) were computed. Backscatter values were analyzed using the Mann–Whitney U test to assess changes over time and across burn-severity levels. Rainfall time series were included to associate possible moisture change effects to the backscatter analysis. Results in Sardinia showed that VH backscatter was more sensitive to structural vegetation damage compared to VV, displaying noticeable decrease after the fire and larger effect sizes in higher severity classes. Coherence values declined right after the fire and recovered in later image pairs. The analyses by land cover revealed that certain classes exhibited stronger response, although sample size might have affected the statistical tests. In contrast, results in Calabria show less pronounced variations probably due to the lower burn severity. Overall, the pipeline minimizes manual work and standardizes the processes of data retrieval and SAR preprocessing for multi-date analysis.

In questo lavoro di tesi, è stata sviluppata una pipeline automatizzata per generare prodotti di retrodiffusione (backscatter) e di coerenza interferometrica da dati Sentinel-1 Synthetic Aperture Radar (SAR). Il workflow automatico riduce il lavoro dedicato alla scelta e dell’elaborazione di immagini SLC tramite operatori di SNAP e script Python e genera immagini di backscatterγ0 geocodificate (VH, VV) e immagini di coerenza adatte all’analisi multi-temporale. Le elaborazioni implementate nel workflow per la stima della retrodiffusione includono l’affinamento delle orbite, la rimozione del rumore termico, la cal ibrazione radiometrica, il debursting TOPSAR, il multilooking, il filtraggio dello speckle e la geocodifica; il processo interferometrico prevede la co-registrazione e la stima della coerenza. La pipeline è stata quindi utilizzata per testare la capacità del SAR nel monitor aggio degli incendi boschivi; sono stati selezionati due incendi boschivi avvenuti durante l’estate del 2021 in Italia (Sardegna, Calabria). Per ciascun sito sono state processate im magini S-1 prima e dopo l’evento per generare serie temporali di backscatter e coerenza che sono state analizzate in funzione della severità del fuoco e del classi di copertura del suolo. Sono state anche calcolate la differenza e il rapporto del backscatter prima e dopo l’evento (∆VH, ∆VV, Radar Burn Ratio), e il Radar Vegetation Index (RVI e ∆RVI). I valori di retrodiffusione sono stati analizzati con il test U di Mann–Whitney per valutare le variazioni nel tempo e tra i livelli di severità. Sono state inoltre considerate le precip itazioni per spiegare possibili variazioni di backscatter. I risultati in Sardegna mostrano che il backscatter VH è più sensibile ai danni strutturali della vegetazione rispetto a VV, evidenziando diminuzioni più marcate dopo l’incendio e per le classi di maggiore sever ità. Anche i valori di coerenza diminuiscono subito dopo l’incendio sebbene nelle coppie temporali successive abbiano mostrato una maggiore variabilità. L’analisi per copertura del suolo ha evidenziato che alcune classi hanno risposte più pronunciate. Al contrario, in Calabria le variazioni risultano meno pronunciate probabilmente dovute al fatto che la maggior parte delle superficie bruciata è classificata con un basso livello di severità. La pipeline si è dimostrata un ottimo strumento per processare serie temporali di dati S-1 riducendo al minimo il lavoro manuale.