El sureste de los Estados Unidos (EE. UU.) es conocido por sus bosques altamente productivos, pero están bajo una intensa amenaza debido al aumento de tormentas de viento inducidas por el clima, como huracanes y tornados. Este estudio exploró la efectividad de los vehículos aéreos no tripulados (UAV) equipados con Light Detection and Ranging (LiDAR) para detectar, clasificar y mapear los daños causados por tormentas de viento en diez parcelas forestales dominadas por pinos (de 10 a 20 acres cada una). Se probaron tres técnicas de clasificación: Random Forest (RF), Maximum Likelihood (ML) y Decision Tree (DT) en dos conjuntos de datos: imágenes RGB integradas con el Modelo de Altura de Dosel (CHM) derivado de LiDAR y sin LiDAR-CHM. Usando conjuntos de datos integrados con LiDAR-CHM, RF logró una Precisión General Promedio (OA) del 94.52% y un coeficiente kappa (k) de 0.92, seguido por ML (OA promedio = 89.52% y k = 0.85) y DT (OA promedio = 81.78% y k = 0.75). Los resultados mostraron que RF superó consistentemente a ML y DT en precisión de clasificación en todos los sitios. Sin LiDAR-CHM, el rendimiento de todos los clasificadores disminuyó significativamente, subrayando la importancia de los datos estructurales para distinguir entre las categorías de clasificación (árboles caídos, árboles en pie, suelo y agua). Estos hallazgos destacan el papel del LiDAR-CHM derivado de UAV en la mejora de la precisión de clasificación para evaluar el impacto de los daños por tormentas de viento en las parcelas forestales.