Bagaimana AI Mengubah Pemulihan Bencana Setelah Tornado

Bagaimana AI Meningkatkan Pemulihan Bencana Alam

Ketika bencana alam melanda, kebutuhan segera adalah menyelamatkan penduduk setempat dan memulihkan infrastruktur ke keadaan fungsional, terutama listrik, air bersih, dan layanan kesehatan.

Hal ini menjadi masalah yang semakin meningkat, dengan biaya untuk kejadian semacam itu terus bertambah dalam dekade terakhir, dipicu oleh perubahan iklim dan pertumbuhan populasi.

Sumber: Spire

Namun, pemulihan sejati sebuah komunitas memakan waktu jauh lebih lama, dengan penilaian kerusakan dan kemudian pembangunan kembali memakan bulan, bahkan tahun.

Seringkali, hal ini tertunda karena beban masalah yang sangat besar untuk diidentifikasi dan dinilai dengan tepat. Pemeriksaan individual setiap bangunan dapat memakan banyak waktu, terutama jika perusahaan asuransi, layanan darurat, dan pemangku kepentingan lainnya kekurangan tenaga.

“Inspeksi lapangan manual memakan banyak tenaga kerja dan memakan waktu, seringkali menunda upaya respons kritis.”

Abdullah Braik – Civil engineering doctoral student at Texas A&M

Hal ini kini dapat berubah berkat teknologi AI. Dua peneliti di Universitas Texas A&M telah mengembangkan sistem AI yang menggunakan penginderaan jauh, pembelajaran mendalam, dan model pemulihan untuk memprediksi penilaian kerusakan tornado dengan akurasi dalam kurang dari satu jam serta pemulihan.

Metode ini dapat membantu mengatur upaya pemulihan dengan lebih baik, dan dipublikasikan dalam Sustainable Cities and Society¹, dengan judul “Evaluasi kerusakan bangunan otomatis pasca-tornado dan prediksi pemulihan dengan mengintegrasikan penginderaan jauh, pembelajaran mendalam, dan model pemulihan”.

“Metode kami menggunakan citra penginderaan beresolusi tinggi dan algoritma pembelajaran mendalam untuk menghasilkan penilaian kerusakan dalam hitungan jam, segera memberikan intelijen yang dapat ditindaklanjuti kepada responden pertama dan pembuat kebijakan.”

Abdullah Braik – Civil engineering doctoral student at Texas A&M

Kehancuran Tornado: Ancaman yang Semakin Meningkat di AS

Ketika dilepaskan, alam dapat menjadi penghancur bagi orang dan kota tempat mereka tinggal. Salah satu contohnya adalah tornado, fenomena yang relatif sering terjadi di banyak bagian dunia, termasuk yang disebut Tornado Alley di Amerika Serikat.

Sumber: Weather and Radar

Misalnya, pada musim semi 2011, Joplin, Missouri, dihancurkan oleh tornado EF5 dengan perkiraan kecepatan angin melebihi 200 mph (321 km/h). Badai tersebut menewaskan 161 orang, melukai lebih dari 1.000, dan merusak serta menghancurkan sekitar 8.000 rumah dan bisnis. Tornado itu mengukir jalur selebar satu mil melalui area padat penduduk di bagian selatan-tengah kota, meninggalkan puing-puing berserakan dan menyebabkan kerusakan lebih dari $2 miliar.

Baru bulan ini, tornado mematikan menghancurkan banyak rumah dan menyebabkan kerusakan besar di wilayah Midwest dan Selatan Amerika Serikat.

Kemungkinan besar akan memakan banyak waktu untuk sepenuhnya memahami skala kerusakan yang ditimbulkan tornado-tornado ini. Dan inilah tempat para peneliti Universitas Texas A&M berpikir mereka dapat membantu.

Tantangan dalam Penilaian Kerusakan Pasca-Tornado

Setelah kejadian semacam itu, prosedur standar adalah mengirimkan serangkaian responden pertama, perencana kota, dan ahli asuransi untuk menilai kehancuran dan bagaimana menanggapinya.

Hal ini terutama benar untuk tornado, karena angin dan benda berat yang terangkat dapat menghancurkan bahkan bangunan terkuat.

“Survei kerusakan pasca-bencana biasanya memakan waktu dan tenaga, terutama difokuskan pada penyempurnaan model dan kode secara berkelanjutan daripada pembaruan cepat dan langsung.”

Beberapa langkah awal telah diambil untuk menggunakan data yang ada dalam menganalisis kerusakan pasca-bencana, terutama Sistem Informasi Geografis (GIS), yang menggabungkan banyak lapisan data tentang suatu lokasi tertentu.

Namun cara penggunaan data ini seringkali tidak cukup untuk memberikan evaluasi yang akurat. Hal ini juga memerlukan banyak intervensi manual dan penilaian manusia untuk diubah menjadi metrik yang dapat digunakan. Di sinilah penambahan informasi tambahan dan AI dapat membantu.

Model AI untuk Evaluasi Kerusakan dan Pemulihan

Menggabungkan Sumber Daya yang Ada dengan AI

Para peneliti menggabungkan 3 alat berbeda: penginderaan jauh, pembelajaran mendalam, dan pemodelan pemulihan.

Untuk mengevaluasi kerusakan dan perubahan segera setelah bencana, mereka menggunakan penginderaan jauh seperti citra satelit atau udara beresolusi tinggi.

“Citra ini sangat penting karena memberikan pandangan makro terhadap area yang terdampak, memungkinkan deteksi kerusakan secara cepat dan skala besar.”

Abdullah Braik – Civil engineering doctoral student at Texas A&M

Kemudian, metode pembelajaran mendalam digunakan untuk secara otomatis menganalisis citra ini guna mengidentifikasi tingkat keparahan kerusakan dengan akurat.

AI dilatih pada ribuan citra bencana sebelumnya dan belajar mengenali tanda-tanda kerusakan yang terlihat seperti atap yang runtuh, dinding yang hilang, dan puing-puing tersebar. Kemudian AI mengklasifikasikan setiap bangunan ke dalam kategori seperti tidak rusak, kerusakan sedang, kerusakan parah, atau hancur.

Elemen terakhir adalah model pemulihan. Salah satu bagiannya menggunakan data tentang detail infrastruktur dan faktor komunitas, seperti tingkat pendapatan atau akses ke sumber daya.

Bagian lain menggunakan model pemulihan yang sudah ada dan teruji untuk menilai berapa lama rumah dan lingkungan mungkin pulih di bawah kondisi pendanaan atau kebijakan yang berbeda.

Ini sepenuhnya mengubah cara penilaian kerusakan dilakukan:

• Penginderaan jauh memberikan gambaran langsung tentang seluruh situasi.
• Model AI dapat menganalisis data ini dalam kurang dari satu jam, dibandingkan dengan bulan yang dibutuhkan manusia di lapangan untuk melakukan evaluasi kerusakan.
• Model pemulihan mengubah evaluasi AI menjadi metrik yang dapat ditindaklanjuti mengenai area mana yang paling membutuhkan bantuan dan sumber daya apa yang diperlukan.

“Akhirnya, penelitian ini menjembatani kesenjangan antara penilaian bencana yang cepat dan perencanaan pemulihan jangka panjang yang strategis, menawarkan kerangka kerja yang berbasis risiko namun praktis untuk meningkatkan ketahanan pasca-tornado.”

Abdullah Braik – Civil engineering doctoral student at Texas A&M

Memvalidasi Model AI dengan Data Tornado Dunia Nyata

Untuk memvalidasi pendekatan ini, para peneliti menelusuri kembali bencana tornado Joplin 2011.

Peristiwa ini terdokumentasi secara luas, menciptakan dataset kaya yang dapat digunakan sebagai backtest untuk sistem AI. Penilaian yang dihitung kemudian dapat dibandingkan dengan penilaian kerusakan di lapangan yang dilakukan pada saat itu.

Dan hasil yang dihasilkan AI terbukti sangat mendekati data historis. Hal ini juga memberikan catatan tentang bagaimana bencana tersebut berkembang.

“Salah satu temuan paling menarik adalah bahwa, selain mendeteksi kerusakan dengan akurasi tinggi, kami juga dapat memperkirakan jalur tornado.

Dengan menganalisis data kerusakan, kami dapat merekonstruksi jalur tornado, yang sangat cocok dengan catatan historis, memberikan informasi berharga tentang peristiwa itu sendiri.”

Abdullah Braik – Civil engineering doctoral student at Texas A&M

 Menskalakan Model AI ke Bencana Alam Lain

Meskipun dikembangkan dan diuji untuk kerusakan yang disebabkan tornado, metode ini dapat diterapkan untuk situasi lain, seperti badai dan gempa bumi, selama satelit dapat mendeteksi pola kerusakan.

Keterbatasan ini mungkin tidak sebesar yang diperkirakan, bahkan jika kerusakan akibat gempa bumi, misalnya, kurang terlihat dari udara dibandingkan atap yang terangkat. Ini karena model belajar dari contoh dunia nyata, dan kami sering melihat AI mampu mendeteksi pola yang tidak terlihat oleh mata manusia.

“Kunci generalisasi model terletak pada pelatihan menggunakan gambar masa lalu dari bahaya spesifik, memungkinkan model belajar pola kerusakan unik yang terkait dengan setiap peristiwa.”

Abdullah Braik – Civil engineering doctoral student at Texas A&M

Setidaknya, tampaknya model ini akan cocok dengan bencana umum lain di AS: badai.

“Kami telah menguji model pada data badai, dan hasilnya menunjukkan potensi menjanjikan untuk beradaptasi dengan bahaya lain.”

Abdullah Braik – Civil engineering doctoral student at Texas A&M

Hal ini sejalan dengan aplikasi AI lain di bidang ini, dengan prediksi badai yang lebih baik kini menjadi kenyataan, termasuk AI seperti Graphcast,  Spire, dan Climavision.

Ekstensi lain dari penelitian ini dapat melampaui penilaian kerusakan. Ini dapat digunakan untuk membuat pembaruan waktu nyata tentang kemajuan pemulihan dan melacak pemulihan seiring waktu.

Jenis umpan balik otomatis berbasis AI ini kemudian dapat memberi informasi kepada pembuat kebijakan dan mengoptimalkan upaya pembangunan kembali.

Berinvestasi dalam Data Satelit & AI

Spire

Spire adalah perusahaan data antariksa yang mengoperasikan konstelasi satelit multi‑tujuan terbesar di dunia yang berada di tangan swasta.

Perusahaan ini sangat fokus pada data cuaca, dan satelitnya dapat menangkap gambar dalam berbagai spektrum, memberikan gambaran yang lebih kaya data tentang suatu lokasi.

Misalnya, gambar satelit mereka untuk pengukuran kelembaban akurat hingga 100m dan dapat digunakan oleh petani, tetapi juga oleh perusahaan asuransi, pedagang komoditas, lembaga pemantauan lingkungan, perusahaan konstruksi, dan insinyur sipil untuk lebih memahami kondisi tanah dan hasil pertanian yang akan datang.

Sumber: Spire

Perusahaan menawarkan untuk membangun konstelasi satelit proprietari bagi kliennya, dengan platform satelit LEMUR.

Sumber: Spire

Perusahaan juga aktif di bidang keamanan, terutama dengan penawaran penerbangan untuk Automatic Dependent Surveillance-Broadcast (ADS-B), yang menggunakan GPS untuk menentukan kecepatan udara, lokasi, dan informasi lain tentang pesawat.

Sementara itu, Spire telah dipilih untuk kontrak $237M dengan US Space Force “untuk merancang, membangun, mengintegrasikan, dan mengoperasikan bus satelit kecil untuk eksperimen antariksa generasi berikutnya”.

Perusahaan juga aktif di industri maritim, dengan satelitnya digunakan untuk pelacakan kapal, namun cabang perusahaan ini diakuisisi oleh Kpler pada April 2025.

Mengenai AI, Spire berkolaborasi dengan NVIDIA (NVDA ) untuk mengintegrasikan ke NVIDIA‘s Earth–2 Cloud APIs semua data Radio Occultation (RO) Spire dan assimilasi data proprietari (DA)

“Menyelaraskan data proprietari Spire dan cakupan cuaca global yang tak tertandingi dengan teknologi mutakhir NVIDIA serta keahliannya menempatkan kami pada posisi untuk secara signifikan meningkatkan akurasi prediksi cuaca. Kolaborasi ini akan membantu memastikan pelanggan kami tidak hanya terinformasi tetapi juga diberdayakan untuk secara proaktif menghadapi lanskap iklim yang berkembang.”

Michael Eilts – General manager of weather and climate at Spire

Secara keseluruhan, Spire adalah perusahaan data yang menggabungkan citra satelit dan AI untuk meningkatkan prakiraan cuaca, prediksi pertanian, pelacakan pesawat, bahkan tujuan pertahanan.

Saat ini Spire mencapai skala yang dapat menjadi menguntungkan, titik balik potensial penting bagi investor, dan mungkin tidak memerlukan banyak penggalangan dana tambahan setelah berhasil menghasilkan $40M bruto dari penjualan saham baru pada Q1 2025.

Sumber: Spire

Terbaru Spire (SPIR) Berita Saham dan Perkembangan

Studi Dirujuk:

^{1. Abdullah M. Braikand Maria Koliou. Evaluasi kerusakan bangunan otomatis pasca-tornado dan prediksi pemulihan dengan mengintegrasikan penginderaan jauh, pembelajaran mendalam, dan model pemulihan. Sustainable Cities and Society. Volume 123, 1 April 2025, 106286. https://doi.org/10.1016/j.scs.2025.106286}