Tekoäly tornadojen jälkeen: nopeampi vahinkoarvio ja toipumisennuste

Tekoäly voi nopeuttaa vahinkokuvan muodostamista

Luonnonkatastrofin jälkeen ensimmäisiä tehtäviä ovat ihmisten pelastaminen sekä sähkön, veden, terveydenhuollon ja kulkuyhteyksien turvaaminen. Rakennuskohtainen vahinkoarvio ja jälleenrakennuksen suunnittelu jatkuvat kuitenkin viikkoja tai vuosia. Kenttätarkastukset ovat hitaita, ja samaan aikaan tietoa tarvitsevat pelastusviranomaiset, kunnat, vakuutusyhtiöt ja asukkaat.

Texas A&M -yliopiston Abdullah Braik ja Maria Koliou kehittivät menetelmän, joka yhdistää kaukokartoituskuvat, syväoppimisen ja palautumismallit. Kun tapahtuman jälkeiset kuvat ovat saatavilla, järjestelmä voi tuottaa laajan vahinkokartan ja todennäköisyyspohjaisia arvioita palautumisajasta alle tunnissa. Tämä ei poista kenttätarkastusten tarvetta, vaan auttaa kohdentamaan niitä.

Sääkatastrofeja koskeva yhtiöesitys. Lähde: Spire

Tutkimus julkaistiin vuonna 2025 Sustainable Cities and Society -lehdessä nimellä Post-tornado automated building damage evaluation and recovery prediction by integrating remote sensing, deep learning, and restoration models.

Joplinin vuoden 2011 tornado testitapauksena

Missourin Joplinissa 22. toukokuuta 2011 riehunut EF5-tornado surmasi 161 ihmistä, loukkasi yli tuhat ja vaurioitti tai tuhosi noin 8 000 kotia ja yritystä. Yli 200 mailin tuntinopeuteen arvioitu tuuli kulki tiheästi rakennetun alueen läpi ja aiheutti yli kahden miljardin dollarin vahingot.

Tornado Alley -nimellä tunnettu alue on historiallinen, epätarkkarajainen käsite. Lähde: Weather & Radar

Joplin sopi mallin tapaustutkimukseksi, koska tapahtumasta oli saatavilla ilmakuvia, rakennustietoja ja yksityiskohtaisia kentällä tehtyjä vahinkoarvioita. Historialliset tiedot toimivat vertailukohtana, eivät uutena reaaliaikaisena käyttökokeena.

Miten menetelmä toimii

1. Kaukokartoituskuvat

Korkean resoluution ilma- tai satelliittikuvat tarjoavat laajan näkymän vaurioalueeseen. Kuvista voidaan havaita esimerkiksi romahtaneita kattoja, puuttuvia seiniä ja hajallaan olevaa rakennusjätettä. Tuloksen laatu riippuu kuvan resoluutiosta, kuvausajasta, pilvisyydestä, katselukulmasta ja siitä, näkyykö vaurio ylhäältä.

2. Syväoppimiseen perustuva luokittelu

Malli opetettiin useista lähteistä kerätyillä katastrofikuvilla tunnistamaan rakennuksia ja luokittelemaan näkyvän vahingon tasoa. Luokat ulottuvat vähäisestä vahingosta vakavaan vaurioon tai tuhoutumiseen. Tutkijat hyödynsivät myös tornadon kapean ja jatkuvan vauriouran maantieteellistä rakennetta.

Automaattinen luokitus nopeuttaa ensimmäistä kokonaiskuvaa, mutta se ei näe kaikkia rakenteellisia, sähköisiä tai sisätilojen vaurioita. Ihmistarkastus ja paikallinen tieto jäävät ratkaiseviksi turvallisuus-, korvaus- ja korjauspäätöksissä.

3. Palautumisajan ja kustannusten mallintaminen

Vahinkoluokat syötetään palautumismalleihin, jotka käyttävät tietoa rakennuskannasta, korjauskustannuksista, infrastruktuurista ja yhteisön voimavaroista. Malli tuottaa todennäköisyyspohjaisia skenaarioita eri rahoitus- ja politiikkavaihtoehdoille. Se ei ennusta yhden kodin valmistumispäivää varmasti.

• Kaukokartoitus antaa nopeasti alueellisen lähtökuvan.
• Syväoppiminen muuntaa kuvat rakennuskohtaisiksi vahinkoluokiksi.
• Palautumismalli arvioi ajan ja kustannusten jakaumia sekä resurssitarpeita.

Validointi ja rajoitukset

Joplinin historiallisessa aineistossa mallin vahinkokartta vastasi hyvin kenttähavaintoja, ja rakennusten vaurioista voitiin rekonstruoida tornadon kulkureitti lähelle tunnettua uraa. Tämä osoittaa menetelmän käyttökelpoisuuden kyseisessä aineistossa.

Se ei kuitenkaan tarkoita, että malli korvaisi kuukausien koko palautumistyön alle tunnissa. Alle tunti koskee laskentaa sen jälkeen, kun sopivat kuvat ja lähtötiedot ovat saatavilla. Kuvien hankinta, laadunvarmistus, piilovauriot, ihmisten turvallisuus ja virallinen rakennustarkastus jäävät erillisiksi vaiheiksi.

Tutkijat raportoivat lupaavia kokeita myös hurrikaaniaineistolla. Siirto maanjäristyksiin, tulviin tai metsäpaloihin vaatii vaarakohtaista koulutusdataa ja uutta validointia, koska vauriot näkyvät kuvissa eri tavoin. Väite siitä, että tekoäly havaitsisi luotettavasti ihmiselle näkymättömät vauriot, ei yksin riitä näytöksi.

Menetelmän jatkokäyttö voisi seurata jälleenrakennusta useina ajankohtina ja päivittää palautumisennusteita. Päätöksenteossa pitäisi samalla näyttää epävarmuus, suojata arkaluonteiset paikkatiedot ja varmistaa, etteivät puutteelliset kuvat ohjaa apua pois haavoittuvilta alueilta.

Sijoitusnäkökulma: Spire Global

Spire Global on avaruuspohjaista dataa, analytiikkaa ja satelliittipalveluja tarjoava yhtiö. Sen pienet satelliitit keräävät pääosin radiotaajuista mittausdataa, kuten GNSS-radio-okkultaatio- ja GNSS-heijastustietoa. Alkuperäisen artikkelin kuvaus monispektrisistä satelliittikuvista oli harhaanjohtava: Spiren keskeinen säädata ei ole tavallista optista ilmakuvaa.

Sää ja maaperän kosteus

Radio-okkultaatiodata auttaa kuvaamaan ilmakehän lämpötilaa, painetta ja kosteutta säämalleissa. GNSS-heijastusmittauksilla voidaan arvioida esimerkiksi maaperän kosteutta, merijäätä ja meren pintatuulta. Spire markkinoi maaperän kosteusdataa noin 100 metrin erotuskyvyllä maatalouden, vakuutusten ja ympäristöseurannan tarpeisiin.

Maaperän kosteutta koskeva Spire-esimerkki. Lähde: Spire

Space as a Service

Yhtiö tarjoaa asiakkailleen satelliittien suunnittelua, rakentamista, laukaisun järjestämistä ja käyttöä LEMUR-alustansa kautta. Tämä palvelu eroaa yhtiön omista sää- ja seurantadatatuotteista.

LEMUR-satelliittialusta. Lähde: Spire

Sopimukset ja liiketoimintamuutokset

Spire valittiin toukokuussa 2025 Yhdysvaltain avaruusvoimien monitoimittajasopimukseen, jonka kokonaiskatto oli 237 miljoonaa dollaria. Sopimuskatto ei ole sama asia kuin Spirelle taattu 237 miljoonan dollarin liikevaihto; yksittäiset työtilaukset ratkaisevat toteutuvan arvon.

Yhtiö myi meridataliiketoimintansa Kplerille 25. huhtikuuta 2025 noin 233,5 miljoonan dollarin hinnalla ennen oikaisuja ja käytti tuotot velkojen maksamiseen. Siksi meriliikenteen seuranta ei enää kuulunut Spiren jatkuvaan liiketoimintaan artikkelin myöhemmässä tarkastelussa.

Spire teki yhteistyötä NVIDIA (NVDA ) Earth-2 -alustan kanssa säädatan ja tekoälypohjaisten ennusteiden yhdistämiseksi. Yhteistyö voi parantaa mallien syötteitä, mutta se ei takaa ennustetarkkuutta tai kaupallista kannattavuutta.

Taloudellinen riski

Meriliiketoiminnan myynti vahvisti tasetta, mutta alkuperäinen väite lähestyvästä kannattavuudesta oli tulevaisuutta koskeva oletus. Sijoittajan on tarkasteltava jatkuvien toimintojen liikevaihtoa, kassavirtaa, osakeperusteisia palkkioita, asiakaskeskittymää ja mahdollisia uusia osakeanteja erikseen.

Historiallinen sijoittajaesityksen kuva; ei nykyinen ennuste. Lähde: Spire

Spiren viimeisimmät uutiset

Johtopäätös

Texas A&M:n menetelmä osoittaa, että ilmakuvista voidaan muodostaa nopeasti alueellinen tornadojen vahinkokartta ja yhdistää se palautumisajan ja kustannusten malleihin. Sen arvo on ensimmäisen tilannekuvan ja resurssien kohdentamisen nopeuttamisessa.

Se ei korvaa pelastustyötä, rakennusinsinöörin tarkastusta tai paikallista päätöksentekoa. Käyttö muissa katastrofeissa edellyttää vaarakohtaista aineistoa, validointia ja epävarmuuden avointa raportointia.

Viitattu tutkimus

Braik, A. M. & Koliou, M. (2025). Post-tornado automated building damage evaluation and recovery prediction by integrating remote sensing, deep learning, and restoration models. Sustainable Cities and Society, 123, 106286. https://doi.org/10.1016/j.scs.2025.106286