Hvordan AI Transformerer Genopretning Efter Tornadoer

Hvordan AI Forbedrer Genopretning Efter Naturkatastrofer

Når naturkatastrofer rammer, er det umiddelbare behov at redde de lokale indbyggere og genoprette infrastrukturen til en funktionel tilstand, især strøm, drikkevand og sundhedspleje.

Dette bliver et voksende problem, da omkostningerne for sådanne begivenheder er steget kraftigt i det sidste årti, drevet af klimaforandringer og en stigende befolkning.

Kilde: Spire

Den egentlige genopretning af et samfund tager dog meget længere, da vurdering af skader og efterfølgende genopbygning kan tage måneder, om ikke år.

Ofte bliver dette forsinket af den enorme mængde problemer, der skal identificeres og vurderes korrekt. Individuel inspektion af hver bygning kan tage meget tid, især hvis forsikringsselskaber, beredskabstjenester og andre interessenter mangler personale.

“Manuelle feltinspektioner er arbejdskrævende og tidskrævende, ofte forsinker kritiske indsatsområder.”Abdullah Braik – doktorand i civilingeniørvidenskab ved Texas A&M

Dette kan nu ændres takket være AI-teknologi. To forskere ved Texas A&M University har udviklet et AI-system, der bruger fjernmåling, dyb læring og genopbygningsmodeller til præcist at forudsige tornado-skadevurderinger og genopretning på under en time.

Denne metode kunne hjælpe med at organisere genopretningsindsatsen bedre, og blev offentliggjort i Sustainable Cities and Society¹, under titlen “Post-tornado automatiseret bygning-skadevurdering og genopretningsforudsigelse ved integration af fjernmåling, dyb læring og genopbygningsmodeller”.”

“Vores metode bruger højopløselige sensorbilleder og dyb læringsalgoritmer til at generere skadevurderinger inden for timer, straks leverende førstehjælpere og beslutningstagere handlingsorienteret information.”Abdullah Braik – doktorand i civilingeniørvidenskab ved Texas A&M

Tornadoødelæggelse: En Stigende Trussel i USA

Kilde: Weather and Radar

For eksempel blev Joplin, Missouri, i foråret 2011 ødelagt af en EF5-tornado med anslåede vindhastigheder på over 200 mph (321 km/t). Stormen dræbte 161 personer, så over 1.000 sårede og beskadigede samt ødelagde omkring 8.000 boliger og virksomheder. Tornadoen skar en en mil bred sti gennem det tæt befolkede sydcentralområde i byen, efterlod miles af splintret murbrokker og forårsagede over 2 milliarder dollars i skader.

Netop denne måned ødelagde dødelige tornadoer mange huse og forårsagede store skader i Midtvesten og Syd-USA.

Det vil sandsynligvis tage lang tid at forstå den fulde omfang af de skader, disse tornadoer har forårsaget. Og det er her, Texas A&M University-forskerne mener, de kan hjælpe.

Udfordringer ved Skadevurdering Efter Tornado

Efter en sådan begivenhed er det standardprocedure at få et hold af førstehjælpere, byplanlæggere og forsikringseksperter til at vurdere ødelæggelserne og hvordan man skal reagere.

Dette gælder især for tornadoer, da vinden og tunge genstande, de løfter, kan ødelægge selv de stærkeste bygninger.

“Skadeundersøgelser efter katastrofen er typisk tidskrævende og arbejdskrævende, primært fokuseret på løbende model- og kodeforfining snarere end umiddelbare og hurtige opdateringer.”

Nogle foreløbige skridt er blevet taget for at bruge eksisterende data til at analysere skader efter katastrofen, især Geografiske Informationssystemer (GIS), som samler flere lag af data om et givet sted.

Men den måde, disse data bruges på, er ofte utilstrækkelig til at give præcise vurderinger. Det kræver også mange manuelle indgreb og menneskelig dømmekraft for at omdanne dem til brugbare målinger. Det er her, tilføjelse af ekstra information og AI kan hjælpe.

AI-drevet Model til Skadevurdering og Genopretning

Sammenlægning af Eksisterende Ressourcer med AI

Forskerne kombinerede tre forskellige værktøjer sammen: fjernmåling, dyb læring og genopbygningsmodellering.

For bedre at evaluere de umiddelbare skader og ændringer efter katastrofen brugte de fjernmåling som højopløselige satellit- eller luftbilleder.

“Disse billeder er afgørende, fordi de giver et makroskopisk overblik over det berørte område, hvilket muliggør hurtig, storstilet skadesdetektion.”Abdullah Braik – doktorand i civilingeniørvidenskab ved Texas A&M

Derefter blev dyb læringsmetoder brugt til automatisk at analysere disse billeder for præcist at identificere skadens alvor.

AI’en blev trænet på tusindvis af billeder fra tidligere katastrofer og lærte at genkende synlige tegn på skade såsom kollapsede tage, manglende vægge og spredt affald. Den klassificerer derefter hver bygning i kategorier som ingen skade, moderat skade, alvorlig skade eller ødelagt.

Det sidste element er genopbygningsmodellering. En del består i at bruge data om infrastrukturdetaljer og samfundsfaktorer, som indkomstniveauer eller adgang til ressourcer.

En anden del er at bruge eksisterende og afprøvede genopretningsmodeller til at vurdere, hvor lang tid det kan tage for boliger og nabolag at komme sig under forskellige finansierings- eller politiske betingelser.

Dette ændrer fuldstændigt, hvordan skadevurdering udføres:

• Fjernmåling giver et øjeblikkeligt overblik over hele situationen.
• AI-modellen kan analysere disse data på under en time, sammenlignet med de måneder, der kræves for mennesker på jorden at udføre skadevurderingen.
• Genopbygningsmodellering omsætter AI-evalueringen til handlingsorienterede målinger af, hvilke områder der har mest brug for hjælp, og hvilke ressourcer der er nødvendige.

“I sidste ende bygger denne forskning broen mellem hurtig katastrofevurdering og strategisk langsigtet genopretningsplanlægning, og tilbyder en risikoinformeret, men praktisk ramme for at styrke modstandskraften efter tornadoer.”Abdullah Braik – doktorand i civilingeniørvidenskab ved Texas A&M

Validering af AI-modellen med Reelle Tornado-data

For at validere denne tilgang så forskerne tilbage på 2011 Joplin-tornado-katastrofen.

Denne begivenhed blev grundigt dokumenteret, hvilket skabte et rigt datasæt, der kunne bruges som backtest for AI-systemet. De beregnede vurderinger kunne derefter sammenlignes med de faktiske, på-jorden skadevurderinger, der blev udført på det tidspunkt.

Og de AI-genererede resultater viste sig bemærkelsesværdigt tæt på de historiske data. De gav også en registrering af, hvordan katastrofen udfoldede sig.

“En af de mest interessante fund var, at ud over at opdage skader med høj nøjagtighed, kunne vi også estimere tornadoens bane.

Ved at analysere skadedataene kunne vi rekonstruere tornadoens sti, som tæt matchede de historiske optegnelser, og gav værdifuld information om selve begivenheden.

Abdullah Braik – doktorand i civilingeniørvidenskab ved Texas A&M

Skalering af AI-modellen til Andre Naturkatastrofer

Selvom den blev udviklet og back-testet for tornado-forårsagede skader, kan denne metode anvendes på andre situationer, såsom orkaner og jordskælv, så længe satellitter kan opdage skademønstre.

Denne begrænsning kan være mindre problematisk end først antaget, selvom skader fra jordskælv for eksempel er sværere at se fra luften end blæste tage. Det skyldes, at modellen lærer af virkelige eksempler, og vi ser ofte, at AI’er kan opdage mønstre, som det menneskelige øje ikke kan se.

“Nøglen til modellens generaliserbarhed ligger i at træne den til at bruge tidligere billeder fra specifikke farer, så den kan lære de unikke skademønstre, der er forbundet med hver begivenhed.”Abdullah Braik – doktorand i civilingeniørvidenskab ved Texas A&M

I det mindste ser det ud til, at modellen vil passe godt til en anden almindelig katastrofe i USA: orkaner.

“Vi har allerede testet modellen på orkan-data, og resultaterne har vist lovende potentiale for tilpasning til andre farer.”Abdullah Braik – doktorand i civilingeniørvidenskab ved Texas A&M

Dette svarer til en anden anvendelse af AI på dette område, hvor bedre orkanforudsigelser nu bliver en realitet, herunder med AI’er som Graphcast,  Spire, og Climavision.

En anden udvidelse af denne forskning kunne være at gå ud over skadevurdering. Den kunne bruges til at skabe realtidsopdateringer om genopretningsfremskridt og spore genopretning over tid.

Denne form for automatiseret, AI-drevet feedback kunne derefter informere politik og optimere genopbygningsindsatsen.

Investering i Satellitdata & AI

Spire

Spire er et rumdatafirma, der driver verdens største flerformålskoncern af satellitter i private hænder.

Firmaet fokuserer stærkt på vejrdata, og dets satellitter kan optage billeder i flere spektre, hvilket giver et mere datarigt billede af en given placering.

For eksempel, dens satellitbilleder af fugtmåling er præcise ned til 100 m og kan bruges af landmænd, men også af forsikringsselskaber, råvarehandlere, miljøovervågningsbureauer, byggefirmaer og civilingeniører til bedre at forstå jordforhold og kommende landbrugsudbytter.

Kilde: Spire

Firmaet tilbyder at bygge for sine kunder deres egen proprietære satellitkonstellation med LEMUR-satellitplatformen.

Kilde: Spire

Firmaet er også aktiv inden for sikkerhed, især med sit luftfartstilbud for Automatic Dependent Surveillance-Broadcast (ADS-B), som bruger GPS til at bestemme flyvehastighed, position og andre oplysninger om fly.

I mellemtiden er Spire blevet udvalgt til en $237M kontrakt med den amerikanske Space Force for “at designe, bygge, integrere og drive små satellitbusser til næste generations rumforsøg”.

Det var også aktivt i den maritime industri, hvor dets satellitter blev brugt til fartøjssporing, men denne gren af firmaet blev opkøbt af Kpler i april 2025.

Med hensyn til AI samarbejder Spire med NVIDIA (NVDA ) om at integrere alle Spires Radio Occultation (RO)-data og proprietære dataassimilation (DA) i NVIDIA‘s Earth–2 Cloud APIs.

“At matche Spires proprietære data og uovertruffen global vejrdekning med NVIDIAs banebrydende teknologi og ekspertise placerer os i stand til markant at øge nøjagtigheden af vejrforudsigelser. Dette samarbejde vil sikre, at vores kunder ikke blot er informeret, men også i stand til proaktivt at håndtere det udviklende klima.”Michael Eilts – General manager of weather and climate at Spire

Samlet set er Spire et datafirma, der omfavner kombinationen af satellitbilleder og AI for bedre vejrprognoser, landbrugsforudsigelser, sporing af fly og endda forsvarsformål.

Det når nu en skala, hvor det kan blive rentabelt, et vigtigt potentielt vendepunkt for investorer, og måske vil det ikke have brug for meget yderligere kapitalrejsning efter en vellykket indtjening på $40M ved salg af nye aktier i Q1 2025.

Kilde: Spire

Seneste Spire (SPIR) Aktienieheder og Udviklinger

Studie Refereret:

^{1. Abdullah M. Braikand Maria Koliou. Post-tornado automatiseret bygning-skadevurdering og genopretningsforudsigelse ved integration af fjernmåling, dyb læring og genopbygningsmodeller. Sustainable Cities and Society. Volume 123, 1 april 2025, 106286. https://doi.org/10.1016/j.scs.2025.106286}