Cómo la IA está transformando la recuperación de desastres después de los tornados

Cómo la IA mejora la recuperación de desastres naturales

Cuando las catástrofes naturales ocurren, la necesidad inmediata es salvar a los habitantes locales y restaurar la infraestructura a un estado funcional, especialmente la energía, el agua potable y la atención médica.

Esto se está convirtiendo en un problema creciente, con la factura de dichos eventos aumentando constantemente en la última década, impulsada por el cambio climático y una población en crecimiento.

Fuente: Spire

Sin embargo, la verdadera recuperación de una comunidad lleva mucho más tiempo, ya que la evaluación de los daños y la posterior reconstrucción pueden tomar meses, si no años.

A menudo, esto se retrasa debido a la abrumadora carga de problemas que hay que identificar y evaluar adecuadamente. La inspección individual de cada edificio puede llevar mucho tiempo, especialmente si las compañías de seguros, los servicios de emergencia y otras partes interesadas carecen de personal.

“Las inspecciones de campo manuales son intensivas en mano de obra y consumen mucho tiempo, a menudo retrasando los esfuerzos críticos de respuesta.”
Abdullah Braik – estudiante de doctorado en ingeniería civil en Texas A&M

Esto podría cambiar ahora gracias a la tecnología de IA. Dos investigadores de la Universidad Texas A&M han desarrollado un sistema de IA que utiliza teledetección, aprendizaje profundo y modelos de restauración para predecir con precisión evaluaciones de daños por tornado en menos de una hora y la recuperación.

Este método podría ayudar a organizar mejor los esfuerzos de recuperación, y fue publicado en Sustainable Cities and Society¹, bajo el título “Evaluación automatizada de daños en edificios post-tornado y predicción de recuperación mediante la integración de teledetección, aprendizaje profundo y modelos de restauración”.

“Nuestro método utiliza imágenes de detección de alta resolución y algoritmos de aprendizaje profundo para generar evaluaciones de daños en cuestión de horas, proporcionando inmediatamente a los primeros respondedores y a los responsables de políticas información procesable.”
Abdullah Braik – estudiante de doctorado en ingeniería civil en Texas A&M

Devastación por Tornados: una Amenaza Creciente en EE. UU.

Fuente: Weather and Radar

Por ejemplo, en la primavera de 2011, Joplin, Missouri, fue devastada por un tornado EF5 con vientos estimados superiores a 200 mph (321 km/h). La tormenta mató a 161 personas, hirió a más de 1,000 y dañó y destruyó alrededor de 8,000 hogares y negocios. El tornado talló un camino de una milla de ancho a través del densamente poblado centro sur de la ciudad, dejando tras de sí millas de escombros astillados y causando más de 2 mil millones de dólares en daños.

Este mes, tornados mortales destruyeron muchas casas y causaron graves daños en el Medio Oeste y el Sur de EE. UU.

Probablemente tomará mucho tiempo comprender plenamente la magnitud total de los daños causados por estos tornados. Y aquí es donde los investigadores de la Universidad Texas A&M creen que pueden ayudar.

Desafíos en la Evaluación de Daños Post-Tornado

Después de tal evento, el procedimiento estándar es que un conjunto de primeros respondedores, planificadores urbanos y expertos en seguros intervengan para evaluar la destrucción y cómo reaccionar.

Esto es especialmente cierto con los tornados, ya que el viento y los objetos pesados que levantan pueden destruir incluso los edificios más fuertes.

“Las encuestas de daños post-desastre suelen ser laboriosas y que consumen mucho tiempo, enfocándose principalmente en la refinación continua de modelos y códigos en lugar de actualizaciones inmediatas y rápidas.”

Se han dado algunos pasos tentativos para usar datos existentes para analizar los daños post-catástrofe, notablemente los Sistemas de Información Geográfica (GIS), que reúnen múltiples capas de datos sobre una ubicación determinada.

Pero la forma en que se utilizan estos datos a menudo es insuficiente para proporcionar evaluaciones precisas. También requiere muchas intervenciones manuales y juicio humano para convertirlos en métricas utilizables. Aquí es donde añadir información adicional e IA puede ayudar.

Modelo impulsado por IA para la Evaluación de Daños y la Recuperación

Fusionando Recursos Existentes con IA

Los investigadores combinaron 3 herramientas diferentes: teledetección, aprendizaje profundo y modelado de restauración.

Para evaluar mejor los daños inmediatos y los cambios después de la catástrofe, utilizaron teledetección como imágenes satelitales o aéreas de alta resolución.

“Estas imágenes son cruciales porque ofrecen una visión a macroescala del área afectada, permitiendo una detección de daños rápida y a gran escala.”
Abdullah Braik – estudiante de doctorado en ingeniería civil en Texas A&M

Luego, se emplearon métodos de aprendizaje profundo para analizar automáticamente estas imágenes y identificar con precisión la gravedad del daño.

La IA se entrenó con miles de imágenes de desastres anteriores y aprendió a reconocer señales visibles de daño como techos colapsados, paredes faltantes y escombros dispersos. Luego clasifica cada edificio en categorías como sin daño, daño moderado, daño mayor o destruido.

El último elemento es modelado de restauración. Una parte consiste en usar datos sobre detalles de infraestructura y factores comunitarios, como niveles de ingresos o acceso a recursos.

Otra parte utiliza modelos de recuperación existentes y probados para estimar cuánto tiempo podrían tardar los hogares y vecindarios en recuperarse bajo diferentes condiciones de financiamiento o políticas.

Esto cambia completamente la forma en que se realiza la evaluación de daños:

• La teledetección brinda una visión inmediata de toda la situación.
• El modelo de IA puede analizar estos datos en menos de una hora, comparado con los meses que requieren los humanos en terreno para realizar la evaluación de daños.
• El modelado de restauración convierte la evaluación de IA en métricas accionables sobre qué áreas necesitan más ayuda y qué recursos son necesarios.

“En última instancia, esta investigación cierra la brecha entre la evaluación rápida de desastres y la planificación estratégica de recuperación a largo plazo, ofreciendo un marco informado por el riesgo pero práctico para mejorar la resiliencia post-tornado.”
Abdullah Braik – estudiante de doctorado en ingeniería civil en Texas A&M

Validando el Modelo de IA con Datos Reales de Tornados

Para validar este enfoque, los investigadores revisaron la catástrofe del tornado de Joplin en 2011.

Este evento fue documentado extensamente, creando un conjunto de datos rico que pudo usarse como prueba retrospectiva para el sistema de IA. Las evaluaciones calculadas pudieron compararse luego con evaluaciones de daño reales realizadas en el terreno en ese momento.

Y los resultados generados por la IA demostraron estar notablemente cerca de los datos históricos. También proporcionó un registro de cómo se desarrolló la catástrofe.

“Uno de los hallazgos más interesantes fue que, además de detectar daños con alta precisión, también pudimos estimar la trayectoria del tornado.

Al analizar los datos de daño, pudimos reconstruir el camino del tornado, que coincidió estrechamente con los registros históricos, ofreciendo información valiosa sobre el propio evento.

”
Abdullah Braik – estudiante de doctorado en ingeniería civil en Texas A&M

Escalando el Modelo de IA a Otros Desastres Naturales

Si bien se desarrolló y probó retrospectivamente para daños causados por tornados, este método podría desplegarse en otras situaciones, como huracanes y terremotos, siempre que los satélites puedan detectar patrones de daño.

Esta limitación podría ser menos problemática de lo esperado, incluso si los daños por terremotos son, por ejemplo, menos visibles desde el cielo que los techos arrancados. Esto se debe a que el modelo aprende de ejemplos reales, y a menudo vemos que las IA pueden detectar patrones invisibles al ojo humano.

“La clave de la generalizabilidad del modelo radica en entrenarlo para usar imágenes pasadas de peligros específicos, permitiéndole aprender los patrones de daño únicos asociados a cada evento.”
Abdullah Braik – estudiante de doctorado en ingeniería civil en Texas A&M

Al menos, parece que el modelo se adaptará bien a otro desastre común en EE. UU: los huracanes.

“Ya hemos probado el modelo con datos de huracanes, y los resultados han mostrado un potencial prometedor para adaptarse a otros peligros.”
Abdullah Braik – estudiante de doctorado en ingeniería civil en Texas A&M

Esto coincide con otra aplicación de IA en este campo, con una mejor predicción de huracanes que ahora se está convirtiendo en realidad, incluyendo IA como Graphcast, Spire y Climavision.

Otra extensión de esta investigación podría ir más allá de la evaluación de daños. Podría usarse para crear actualizaciones en tiempo real del progreso de la recuperación y rastrear la recuperación a lo largo del tiempo.

Este tipo de retroalimentación automatizada impulsada por IA podría entonces informar políticas y optimizar los esfuerzos de reconstrucción.

Invertir en Datos Satelitales y IA

Spire

Spire es una empresa de datos espaciales que opera la constelación multi‑propósito más grande del mundo en manos privadas.

La compañía se enfoca fuertemente en datos meteorológicos, y sus satélites pueden capturar imágenes en múltiples espectros, proporcionando una imagen más rica en datos de una ubicación dada.

Por ejemplo, sus imágenes satelitales de medición de humedad son precisas hasta 100 m y pueden ser usadas por agricultores, pero también por compañías de seguros, comerciantes de materias primas, agencias de monitoreo ambiental, empresas de construcción y ingenieros civiles para comprender mejor la condición del suelo y los rendimientos agrícolas próximos.

Fuente: Spire

La empresa ofrece construir para su cliente su propia constelación satelital propietaria, con la plataforma satelital LEMUR.

Fuente: Spire

La compañía también está activa en seguridad, notablemente con su oferta de aviación para Automatic Dependent Surveillance‑Broadcast (ADS‑B), que usa GPS para determinar la velocidad del aire, ubicación y otra información sobre la aeronave.

Mientras tanto, Spire ha sido seleccionada para un contrato de $237 M con la US Space Force “para diseñar, construir, integrar y operar buses satelitales pequeños para experimentos espaciales de próxima generación”.

También estuvo activa en la industria marítima, con sus satélites usados para el seguimiento de embarcaciones, pero esta rama de la empresa fue adquirida por Kpler en abril de 2025.

En cuanto a IA, Spire colabora con NVIDIA para integrar en las NVIDIA‘s Earth–2 Cloud APIs todos los datos de Ocultación Radio (RO) de Spire y su asimilación de datos propietaria (DA).

“Alinear los datos propietarios de Spire y su cobertura meteorológica global sin igual con la tecnología de vanguardia y la experiencia de NVIDIA nos posiciona para elevar notablemente la precisión de la predicción del tiempo. Esta colaboración ayudará a que nuestros clientes no solo estén informados, sino capacitados para abordar proactivamente el panorama climático en evolución.”
Michael Eilts – Gerente general de clima y clima en Spire

En general, Spire es una empresa de datos que abraza la conjunción de imágenes satelitales e IA para mejores pronósticos meteorológicos, predicción agrícola, seguimiento de aviones e incluso propósitos de defensa.

Ahora está alcanzando una escala donde podría volverse rentable, un punto de inflexión potencial importante para los inversores, y quizá no necesite recaudar mucho más capital después de un exitoso ingreso bruto de $40 M al vender nuevas acciones en el Q1 2025.

Fuente: Spire

Últimas Spire (SPIR) Noticias de Acciones y Desarrollos

Estudio Referenciado:

^{1. Abdullah M. Braikand Maria Koliou. Post-tornado automated building damage evaluation and recovery prediction by integrating remote sensing, deep learning, and restoration models. Sustainable Cities and Society. Volumen 123, 1 abril 2025, 106286. https://doi.org/10.1016/j.scs.2025.106286}