Künstliche Intelligenz
KI nach Tornados: Schadenskarten, Modellgrenzen und Spire

Wichtige PunkteDas KI-Modell der Texas A&M verkürzt die Bewertung von Tornadoschäden von Monaten auf…
Mehr anzeigen
- Das KI-Modell der Texas A&M verkürzt die Bewertung von Tornadoschäden von Monaten auf unter eine Stunde.
- Das System kombiniert Satellitenbilder mit Deep Learning, um die Schwere von Gebäudeschäden automatisch zu klassifizieren.
- Die Satellitendaten von Spire und die Partnerschaft mit NVIDIA könnten die KI-gestützte Katastrophenhilfe auf Hurrikane und Erdbeben ausweiten.
Nach einem Tornado müssen Einsatzkräfte zunächst Menschen retten, Brände und Lecks sichern sowie Strom, Trinkwasser, Verkehrswege und medizinische Versorgung wiederherstellen. Erst danach beginnt die langwierige Erfassung der Schäden an einzelnen Gebäuden. Vor-Ort-Inspektionen bleiben dafür unverzichtbar, können bei großflächiger Zerstörung aber Wochen dauern und Personal von Kommunen, Versicherern und Hilfsorganisationen binden.
Eine 2025 veröffentlichte Studie von Abdullah M. Braik und Maria Koliou von der Texas A&M University verbindet Fernerkundungsbilder, ein Deep-Learning-Modell und Wiederherstellungsmodelle. Das Ziel ist, sichtbare Gebäudeschäden schneller zu kartieren und daraus probabilistische Schätzungen für Reparaturdauer und Kosten abzuleiten. Die Methode kann Entscheidungen unterstützen, ersetzt aber weder die Gefahrenerkundung vor Ort noch eine bautechnische Freigabe.

Quelle: Spire
Der Tornado von Joplin als Fallstudie
Die Forschenden erprobten ihren Ansatz anhand des EF5-Tornados, der Joplin im US-Bundesstaat Missouri am 22. Mai 2011 traf. Nach Angaben der Texas A&M University starben 161 Menschen, mehr als 1.000 wurden verletzt und rund 8.000 Wohn- und Geschäftsgebäude wurden beschädigt oder zerstört. Der Tornado hinterließ eine bis zu etwa eine Meile breite Schneise; die Schäden wurden auf mehr als zwei Milliarden US-Dollar geschätzt.

Quelle: Weather and Radar
Joplin eignete sich für die Fallstudie, weil hochauflösende Bilder nach dem Ereignis und detaillierte bodengestützte Schadensaufnahmen verfügbar waren. Diese historischen Daten dienten als Vergleichsmaßstab. Ein erfolgreiches Ergebnis für eine gut dokumentierte Stadt und ein einzelnes Ereignis beweist jedoch noch nicht, dass das Modell in jeder Region, bei jedem Baustil oder unter schlechten Aufnahmebedingungen gleich zuverlässig arbeitet.
So funktioniert der Forschungsansatz
Fernerkundung und Schadensklassifizierung
Satelliten- oder Luftbilder liefern eine flächige Sicht auf das betroffene Gebiet. Ein trainiertes Bildmodell sucht nach sichtbaren Merkmalen wie fehlenden Dächern, eingestürzten Bauteilen oder Trümmerfeldern und ordnet Gebäude Schadensklassen zu. In der beschriebenen Methodik reichen die Klassen von keinem Schaden über mäßigen und schweren Schaden bis zur Zerstörung.
Texas A&M berichtet, dass der automatisierte Ablauf nach Vorliegen geeigneter Bilder in weniger als einer Stunde Schadenskarten und Wiederherstellungsprognosen erzeugen kann. Diese Laufzeit darf nicht mit der gesamten Reaktionszeit verwechselt werden: Aufnahmen müssen erst erstellt, übertragen, georeferenziert und geprüft werden. Außerdem kann eine Draufsicht verdeckte Schäden im Gebäudeinneren, an Fundamenten, Leitungen oder tragenden Verbindungen übersehen.
Wiederherstellungsmodellierung
Die erkannten Schadensklassen werden mit Modellen für Reparaturkosten und Wiederherstellungsdauer verbunden. Solche Modelle können Gebäudedaten, Infrastruktur, frühere Wiederaufbauverläufe und soziale Faktoren wie Einkommen oder Zugang zu Hilfsangeboten berücksichtigen. Das Ergebnis ist eine Wahrscheinlichkeitsprognose unter bestimmten Annahmen und keine Zusage, wann ein einzelnes Haus wieder bewohnbar sein wird.
Der Nutzen liegt in der Priorisierung: Behörden können mögliche Schadensschwerpunkte erkennen, Inspektionsteams gezielter einsetzen und verschiedene Finanzierungs- oder Hilfsszenarien vergleichen. Entscheidungen über Evakuierung, Zutritt, Versicherungsleistung oder Abriss benötigen weiterhin qualifizierte Menschen und zusätzliche Daten.
Was die Joplin-Validierung zeigt
Die automatisch erzeugte Schadensverteilung stimmte laut Studie eng mit historischen Aufzeichnungen überein. Aus der räumlichen Verteilung ließ sich auch die Zugbahn des Tornados rekonstruieren. Das zeigt, dass Bilddaten und Deep Learning großräumige Muster schneller zugänglich machen können.
Aus den öffentlich zugänglichen Zusammenfassungen lässt sich jedoch keine allgemein gültige Genauigkeit für künftige Einsätze ableiten. Aussagekraft und Fehlerquote hängen unter anderem von Bildauflösung, Aufnahmezeitpunkt, Wolken, Rauch, Vegetation, Gebäudetypen, Trainingsdaten und der Qualität der Referenzdaten ab. Besonders bei ähnlichen Dachansichten, dicht bebauten Gebieten oder bereits vorgeschädigten Gebäuden sind Fehlklassifizierungen möglich.
Übertragbarkeit und Grenzen
Die Forschenden sehen Potenzial für Hurrikane und Erdbeben, sofern die jeweiligen Schadensmuster in Fernerkundungsbildern sichtbar sind und ausreichend gekennzeichnete Trainingsdaten vorliegen. Erste Tests mit Hurrikandaten wurden als vielversprechend beschrieben. Für jede Gefahrenart ist dennoch eine eigene Validierung nötig. Hochwasser, Feuer, Sturm und Erdbeben hinterlassen unterschiedliche Spuren; unsichtbare strukturelle Schäden können aus Luftbildern allein nicht sicher bewertet werden.
Für einen operativen Einsatz wären zusätzlich robuste Datenleitungen, nachvollziehbare Unsicherheitsangaben, Schutz personenbezogener Daten, Versionskontrollen und eine unabhängige Qualitätsprüfung erforderlich. Das Modell sollte Bereiche mit geringer Sicherheit kennzeichnen und Fachleute zu einer gezielten Nachkontrolle führen. Automatisierung kann den Engpass verkleinern, aber keine Garantie für eine gerechte Verteilung von Hilfe geben; dafür müssen Behörden auch soziale Verwundbarkeit und lokale Prioritäten transparent berücksichtigen.
Satellitendaten als Geschäftsfeld
Spire Global
Spire Global betreibt eine Konstellation kleiner Satelliten und verkauft Daten, Analysen und sogenannte Space-Services. Die Sensoren arbeiten vor allem mit Funksignalen. Für Wetterdaten nutzt Spire unter anderem GNSS-Radiookkultation; für Bodenfeuchte werden reflektierte Signale globaler Navigationssatelliten ausgewertet. Es handelt sich dabei nicht um gewöhnliche multispektrale Fotos.

Quelle: Spire
Spire bietet sein Bodenfeuchteprodukt je nach Datensatz mit Rasterweiten von 6 Kilometern, 500 Metern oder bis zu 100 Metern an. Die 100 Meter bezeichnen die räumliche Auflösung eines aufbereiteten Datenprodukts, nicht eine Messgenauigkeit von 100 Metern. Messungen aus der eigenen GNSS-R-Konstellation werden mit weiteren satellitengestützten Daten und Modellen kombiniert. Anwender müssen Auflösung, Aktualisierungszeit, regionale Kalibrierung und Fehlerbereiche für ihren jeweiligen Zweck prüfen.

Quelle: Spire
Über die LEMUR-Plattform baut und betreibt Spire außerdem Satelliten für Kunden. Im März 2025 wurde das Unternehmen als einer von zwölf möglichen Auftragnehmern für das STEP-2.0-Programm der US Space Force ausgewählt. Der IDIQ-Vertrag hat über zehn Jahre eine gemeinsame Obergrenze von 237 Millionen US-Dollar. Spire kann um spätere Einzelaufträge konkurrieren; die Obergrenze ist weder ein bereits erteilter Auftrag an Spire noch garantierter Umsatz.
Bei der Flugverfolgung empfängt Spire ADS-B-Signale von Luftfahrzeugen. Diese Nachrichten können unter anderem Identität, aus GNSS abgeleitete Position, Höhe und Geschwindigkeit über Grund enthalten. Reichweite, Empfangsdichte, Ausrüstung des Flugzeugs und Signalqualität begrenzen die Abdeckung.
Maritime Verkauf und NVIDIA-Zusammenarbeit
Spire verkaufte sein maritimes Datengeschäft am 25. April 2025 an Kpler. Der angekündigte Kaufpreis lag vor Anpassungen bei rund 233,5 Millionen US-Dollar; zusätzlich vereinbarten die Parteien Dienstleistungen über 7,5 Millionen US-Dollar für zwölf Monate. Spire verwendete einen Teil des Erlöses zur vollständigen Rückzahlung seiner damaligen Schulden. Schiffsverfolgung gehört daher nicht mehr zum fortgeführten Kerngeschäft von Spire.
Im Wetterbereich arbeitet Spire mit NVIDIA zusammen, um Radiookkultationsdaten und Datenassimilation mit den Earth-2-Werkzeugen zu verbinden. Eine solche Zusammenarbeit kann Modellentwicklung und Berechnung beschleunigen. Sie belegt für sich allein weder eine bestimmte Verbesserung der Vorhersagegenauigkeit noch einen gesicherten kommerziellen Ertrag.
Spire als Anlage: Kennzahlen und Risiken
Spire erzielte im ersten Quartal 2025 einen Umsatz von 23,9 Millionen US-Dollar und verbrauchte 8,4 Millionen US-Dollar an operativem Cashflow. Nach Abschluss des maritimen Verkaufs meldete das Unternehmen Ende April 2025 rund 136 Millionen US-Dollar an Barmitteln, Zahlungsmitteläquivalenten und marktgängigen Wertpapieren sowie keine verbleibenden Schulden. Im März 2025 nahm Spire durch eine Privatplatzierung netto 37,3 Millionen US-Dollar ein. Diese Kapitalaufnahme verwässerte bestehende Aktionäre.

Quelle: Spire
Die stärkere Bilanz bedeutete noch keine dauerhafte Profitabilität. Spire wies weiterhin operative Verluste und negativen operativen Cashflow aus, und durch den Verkauf entfiel zugleich Umsatz aus dem maritimen Geschäft. Anleger sollten Umsatzwachstum des verbleibenden Geschäfts, Bruttomarge, Cashverbrauch, Aktienausgaben, Kundenkonzentration, pünktliche Finanzberichte sowie die tatsächlichen Einzelaufträge aus Rahmenverträgen beobachten.
SPIR Preisdiagramm
Fazit
Die Texas-A&M-Studie zeigt einen plausiblen Weg, aus verfügbaren Luft- und Satellitenbildern schneller Gebäudeschadenskarten und Szenarien für den Wiederaufbau zu erzeugen. Ihre Stärke ist die Verbindung von Bildanalyse und Wiederherstellungsplanung. Der Nachweis beruht jedoch vor allem auf einer historischen Fallstudie; Bildverfügbarkeit, Übertragbarkeit und nicht sichtbare Schäden bleiben wesentliche Grenzen.
Spire kann mit Funkdaten, Wettermodellen und Satellitendiensten von einer steigenden Nachfrage nach Erdbeobachtung profitieren. Für Anleger stehen diesem Potenzial ein verlustreiches Geschäftsmodell, Kapitalbedarf, Ausführungsrisiken und der Wegfall des maritimen Geschäfts gegenüber. Forschungsfortschritt und Unternehmenskooperationen sollten deshalb anhand messbarer Einsatz- und Finanzergebnisse bewertet werden.
Referenzierte Studie: Abdullah M. Braik und Maria Koliou, Sustainable Cities and Society, Band 123 (2025), Artikel 106286, DOI 10.1016/j.scs.2025.106286.











