Come l’IA sta trasformando il recupero post-disastro dopo i tornado

Come l’IA migliora il recupero da catastrofi naturali

When natural catastrophes strike, the immediate need is to save the local inhabitants and restore infrastructure to a functional state, especially power, fresh water, and healthcare.

Questo sta diventando un problema sempre più grande, con i costi di tali eventi in costante aumento nell’ultimo decennio, spinti dal cambiamento climatico e da una popolazione in crescita.

Fonte: Spire

Tuttavia, il vero recupero di una comunità richiede molto più tempo, poiché la valutazione dei danni e la successiva ricostruzione richiedono mesi, se non anni.

Often, this is delayed by the sheer overwhelming load of problems to identify and properly assess. Individual inspection of each building can take a lot of time, especially if insurance companies, emergency services, and other stakeholders are short on personnel.

“Le ispezioni manuali sul campo sono laboriose e richiedono tempo, spesso ritardando gli sforzi di risposta critici.”

Abdullah Braik – Dottorato in ingegneria civile presso Texas A&M

Questo potrebbe ora cambiare grazie alla tecnologia IA. Due ricercatori dell’Università Texas A&M hanno sviluppato un sistema IA che utilizza telerilevamento, deep learning e modelli di restauro per prevedere con precisione, in meno di un’ora, le valutazioni dei danni da tornado e il recupero.

This method could help better organize recovery efforts, and was published in Sustainable Cities and Society¹, under the title “Valutazione automatizzata dei danni agli edifici post-tornado e previsione del recupero mediante integrazione di telerilevamento, deep learning e modelli di restauro”.

“La nostra metodologia utilizza immagini di telerilevamento ad alta risoluzione e algoritmi di deep learning per generare valutazioni dei danni entro poche ore, fornendo immediatamente ai primi soccorritori e ai responsabili politici informazioni operative.”

Abdullah Braik – Dottorato in ingegneria civile presso Texas A&M

Devastazione da tornado: una minaccia crescente negli USA

When unleashed, nature can be devastating for people and the cities they live in. One such example is tornadoes, a relatively regular occurrence in many parts of the world, including the so-called Tornado Alley in the USA.

Fonte: Weather and Radar

Per esempio, nella primavera del 2011, Joplin, Missouri, fu devastata da un tornado EF5 con venti stimati superiori a 200 mph (321 km/h). La tempesta uccise 161 persone, ferì oltre 1.000 e danneggiò e distrusse circa 8.000 case e attività commerciali. Il tornado ha tracciato un percorso largo un miglio attraverso l’area densamente popolata del centro-sud della città, lasciando dietro di sé miglia di macerie frantumate e causando danni per oltre 2 miliardi di dollari.

Solo questo mese, tornado mortali hanno distrutto molte case e causato danni ingenti nel Midwest e nel Sud degli USA.

Probabilmente ci vorrà molto tempo per comprendere appieno la portata dei danni causati da questi tornado. Ed è qui che i ricercatori dell’Università Texas A&M credono di poter aiutare.

Sfide nella valutazione dei danni post-tornado

After such an event, it is the standard procedure to have an array of first responders, city planners, and insurance experts move in to assess the destruction and how to react to it.

This is especially true with tornadoes, as the wind and heavy things lifted by them can destroy even the strongest buildings.

“Le indagini sui danni post-disastro sono tipicamente lunghe e laboriose, focalizzate principalmente sul continuo perfezionamento di modelli e codici piuttosto che su aggiornamenti immediati e rapidi”.

Some tentative steps have been made to use existing data to analyze the post-catastrophe damages, notably Geographic Information Systems (GIS), which bring together multiple layers of data about a given location.

But the way this data is used is often insufficient to provide accurate evaluations. It also requires a lot of manual interventions and human judgment to be turned into usable metrics. This is where adding extra information and AI can help.

Modello basato su IA per la valutazione dei danni e il recupero

Unire le risorse esistenti con l’IA

The researchers combined 3 different tools together: remote sensing, deep learning, and restoration modeling.

To better evaluate the immediate damages and changes after the catastrophe, they used remote sensing like high-resolution satellite or aerial images.

“Queste immagini sono cruciali perché offrono una visione macro della zona colpita, consentendo una rapida individuazione dei danni su larga scala.”

Abdullah Braik – Dottorato in ingegneria civile presso Texas A&M

Then, deep learning methods were used to automatically analyze these images to identify the severity of the damage accurately.

L’IA è stata addestrata su migliaia di immagini di disastri precedenti e ha imparato a riconoscere segni visibili di danno come tetti crollati, pareti mancanti e detriti sparsi. Successivamente classifica ogni edificio in categorie come nessun danno, danno moderato, danno grave o distrutto.

L’ultimo elemento è la restoration modeling. Una parte utilizza dati sui dettagli delle infrastrutture e fattori comunitari, come i livelli di reddito o l’accesso alle risorse.

Un’altra parte utilizza modelli di recupero esistenti e testati per valutare quanto tempo potrebbe richiedere il recupero di case e quartieri sotto diverse condizioni di finanziamento o politiche.

This completely changes how damage assessment is performed:

• Il telerilevamento fornisce una panoramica immediata dell’intera situazione.
• Il modello IA può analizzare questi dati in meno di un’ora, rispetto ai mesi richiesti agli operatori sul campo per effettuare la valutazione dei danni.
• La modellazione della restaurazione trasforma la valutazione IA in metriche operative su quali aree necessitano più aiuto e quali risorse sono richieste.

“In definitiva, questa ricerca colma il divario tra valutazione rapida dei disastri e pianificazione strategica del recupero a lungo termine, offrendo un quadro informato dal rischio ma pratico per migliorare la resilienza post-tornado.”

Abdullah Braik – Dottorato in ingegneria civile presso Texas A&M

Validare il modello IA con dati reali di tornado

To validate this approach, the researchers looked back at the 2011 Joplin tornado catastrophe.

This event was extensively documented, creating a rich dataset that could be used as a backtest for the AI system. The calculated assessments could then be compared to real-life, on-the-ground damage assessments done at the time.

And the AI-generated results proved remarkably close to the historical data. It also gave a record of how the catastrophe unfolded.

“Una delle scoperte più interessanti è stata che, oltre a rilevare i danni con alta precisione, siamo stati in grado di stimare anche la traiettoria del tornado.

Analizzando i dati sui danni, abbiamo potuto ricostruire il percorso del tornado, che corrispondeva strettamente ai registri storici, offrendo informazioni preziose sull’evento stesso.”

Abdullah Braik – Dottorato in ingegneria civile presso Texas A&M

 Scalare il modello IA ad altri disastri naturali

While it was developed and back-tested for tornado-caused damage, this method could be deployed for other situations, like hurricanes and earthquakes, as long as satellites can detect damage patterns.

This limitation could be less of a problem than initially expected, even if damages from earthquakes are, for example, less easily visible from the sky than blown-off roofs. This is because the model learns from real-life examples, and we often see AIs being able to detect patterns invisible to the human eye.

“La chiave della generalizzabilità del modello risiede nell’addestrarlo a utilizzare immagini passate di specifici pericoli, permettendogli di apprendere i pattern di danno unici associati a ciascun evento.”

Abdullah Braik – Dottorato in ingegneria civile presso Texas A&M

Almeno, sembra che il modello si adatti bene a un altro disastro comune negli USA: gli uragani.

“Abbiamo già testato il modello sui dati degli uragani, e i risultati hanno mostrato un potenziale promettente per l’adattamento ad altri pericoli.”

Abdullah Braik – Dottorato in ingegneria civile presso Texas A&M

This matches another application of AI in this field, with better hurricane prediction now becoming a reality, including with AIs like Graphcast,  Spire, and Climavision.

Un’altra estensione di questa ricerca potrebbe andare oltre la valutazione dei danni. Potrebbe essere usata per creare aggiornamenti in tempo reale sul progresso del recupero e monitorare il recupero nel tempo.

Questo tipo di feedback automatizzato, guidato dall’IA, potrebbe quindi informare le politiche e ottimizzare gli sforzi di ricostruzione.

Investire in dati satellitari e IA

Spire

Spire è una società di dati spaziali che gestisce la più grande costellazione multiuso di satelliti al mondo in mani private.

The company strongly focuses on weather data, and its satellites can capture images in multiple spectra, giving a more data-rich picture of a given location.

For example, its satellite images of moisture measurement are precise up to 100m and can be used by farmers, but also insurance companies, commodity traders, environmental monitoring agencies, construction companies, and civil engineers to better understand soil condition and upcoming agricultural yields.

Fonte: Spire

The company offers to build for its client their own proprietary satellite constellation, with the LEMUR satellite platform.

Fonte: Spire

The company is active in security as well, notably with its aviation offer for Automatic Dependent Surveillance-Broadcast (ADS-B), which uses GPS to determine airspeed, location, and other information about aircraft.

Meanwhile, Spire has been selected for a $237M contract with the US Space Force to “to design, build, integrate, and operate small satellite buses for next-generation space experiments”.

It was also active in the maritime industry, with its satellites used for vessel tracking, but this branch of the company was acquired by Kpler in aprile 2025.

Regarding AI, Spire is collaborating with NVIDIA (NVDA ) to integrate into  NVIDIA‘s Earth–2 Cloud APIs all of Spire’s Radio Occultation (RO) data and proprietary data assimilation (DA)

“Allineare i dati proprietari di Spire e la copertura meteorologica globale senza pari con la tecnologia all’avanguardia e l’expertise di NVIDIA ci posiziona per elevare notevolmente l’accuratezza delle previsioni meteorologiche. Questa collaborazione aiuterà a garantire che i nostri clienti non siano solo informati, ma anche in grado di affrontare proattivamente il panorama climatico in evoluzione.”

Michael Eilts – Direttore generale del meteo e del clima presso Spire

Overall, Spire is a data company embracing the conjunction of satellite imagery and AI for better weather forecasts, agriculture prediction, tracking of airplanes, and even defense purposes.

It is now reaching a scale where it could become profitable, an important potential turning point for investors, and maybe it will not need too much additional money raising after a successful $40M gross proceeds in selling new shares in Q1 2025.

Fonte: Spire

Ultime Spire (SPIR) Notizie azionarie e sviluppi

Studio Riferito:

^{1. Abdullah M. Braikand Maria Koliou. Valutazione automatizzata dei danni agli edifici post-tornado e previsione del recupero mediante integrazione di telerilevamento, deep learning e modelli di restauro. Sustainable Cities and Society. Volume 123, 1 aprile 2025, 106286. https://doi.org/10.1016/j.scs.2025.106286}