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

Come l’IA migliora il recupero da catastrofi naturali

Quando si verifica una catastrofe naturale, la priorità immediata è salvare gli abitanti e ripristinare il funzionamento delle infrastrutture, in particolare l’elettricità, l’acqua potabile e l’assistenza sanitaria.

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.

Spesso queste attività subiscono ritardi a causa dell’enorme quantità di problemi da individuare e valutare correttamente. L’ispezione di ogni singolo edificio può richiedere molto tempo, soprattutto quando compagnie assicurative, servizi di emergenza e altri soggetti coinvolti dispongono di poco personale.

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

Abdullah Braik – Dottorando 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 recupero per prevedere con precisione, in meno di un’ora, le valutazioni dei danni da tornado e il recupero.

Questo metodo potrebbe aiutare a organizzare meglio gli interventi di recupero ed è stato descritto sulla rivista Sustainable Cities and Society¹, con il titolo “Valutazione automatizzata dei danni agli edifici post-tornado e previsione del recupero mediante integrazione di telerilevamento, deep learning e modelli di recupero”.

“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 – Dottorando in ingegneria civile presso Texas A&M

Devastazione da tornado: una minaccia crescente negli USA

Quando si scatena, la natura può avere effetti devastanti sulle persone e sulle città in cui vivono. Un esempio sono i tornado, fenomeni relativamente frequenti in molte parti del mondo, compresa la cosiddetta Tornado Alley negli Stati Uniti.

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

Dopo un evento simile, la procedura standard prevede l’intervento di soccorritori, urbanisti ed esperti assicurativi per valutare la distruzione e stabilire come reagire.

Ciò vale soprattutto per i tornado, perché il vento e gli oggetti pesanti sollevati possono distruggere anche gli edifici più resistenti.

“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”.

Sono stati compiuti alcuni tentativi di utilizzare i dati esistenti per analizzare i danni successivi a una catastrofe, in particolare attraverso i sistemi informativi geografici (GIS), che riuniscono più livelli di dati relativi a una determinata area.

Tuttavia, il modo in cui questi dati vengono utilizzati spesso non basta a produrre valutazioni accurate. Per trasformarli in parametri utilizzabili servono inoltre numerosi interventi manuali e il giudizio umano. È qui che l’aggiunta di ulteriori informazioni e dell’IA può essere d’aiuto.

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

Unire le risorse esistenti con l’IA

I ricercatori hanno combinato tre strumenti diversi: telerilevamento, deep learning e modellazione del recupero.

Per valutare meglio i danni immediati e i cambiamenti successivi alla catastrofe, hanno utilizzato il telerilevamento mediante immagini satellitari o aeree ad alta risoluzione.

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

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

Successivamente sono stati utilizzati metodi di deep learning per analizzare automaticamente le immagini e determinare con precisione la gravità dei danni.

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 modellazione del recupero. 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.

Questo approccio cambia completamente il modo in cui viene eseguita la valutazione dei danni:

• 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 del recupero 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 – Dottorando in ingegneria civile presso Texas A&M

Validare il modello IA con dati reali di tornado

Per convalidare questo approccio, i ricercatori hanno riesaminato la catastrofe causata dal tornado di Joplin del 2011.

L’evento fu ampiamente documentato, creando un ricco insieme di dati utilizzabile per una verifica retrospettiva del sistema di IA. Le valutazioni calcolate potevano quindi essere confrontate con quelle dei danni effettuate sul campo all’epoca.

I risultati generati dall’IA si sono dimostrati sorprendentemente vicini ai dati storici e hanno anche ricostruito l’evoluzione della catastrofe.

“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 – Dottorando in ingegneria civile presso Texas A&M

 Scalare il modello IA ad altri disastri naturali

Sebbene sia stato sviluppato e verificato retrospettivamente sui danni causati dai tornado, il metodo potrebbe essere impiegato anche per uragani e terremoti, purché i satelliti riescano a rilevare gli schemi dei danni.

Questa limitazione potrebbe essere meno problematica del previsto, anche se, per esempio, i danni dei terremoti sono meno visibili dall’alto rispetto ai tetti scoperchiati. Il modello apprende infatti da esempi reali e spesso l’IA riesce a rilevare schemi invisibili all’occhio umano.

“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 – Dottorando 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 – Dottorando in ingegneria civile presso Texas A&M

Ciò è coerente con un’altra applicazione dell’IA in questo settore: previsioni degli uragani più accurate stanno diventando realtà anche grazie a sistemi come Graphcast,  Spire e 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.

L’azienda si concentra soprattutto sui dati meteorologici e i suoi satelliti possono acquisire immagini in più bande dello spettro, offrendo una rappresentazione più ricca di dati di una determinata area.

Per esempio, le immagini satellitari per misurare l’umidità hanno una precisione fino a 100 metri e possono essere utilizzate da agricoltori, compagnie assicurative, operatori delle materie prime, agenzie di monitoraggio ambientale, imprese edili e ingegneri civili per comprendere meglio le condizioni del suolo e le future rese agricole.

Fonte: Spire

L’azienda offre ai clienti la possibilità di costruire una costellazione satellitare proprietaria basata sulla piattaforma LEMUR.

Fonte: Spire

L’azienda opera anche nel settore della sicurezza, in particolare con la sua offerta per l’aviazione per l’Automatic Dependent Surveillance-Broadcast (ADS-B), che utilizza il GPS per determinare velocità, posizione e altre informazioni sugli aeromobili.

Nel frattempo, Spire è stata selezionata per un contratto da 237 milioni di dollari con la US Space Force per «progettare, costruire, integrare e gestire piattaforme satellitari di piccole dimensioni per esperimenti spaziali di nuova generazione».

Era attiva anche nel settore marittimo, dove i suoi satelliti venivano utilizzati per il tracciamento delle navi, ma questo ramo dell’azienda è stato acquisito da Kpler nell’aprile 2025.

Per quanto riguarda l’IA, Spire collabora con NVIDIA (NVDA ) per integrare nella piattaforma NVIDIA Earth–2 Cloud API, integrando tutti i dati di occultazione radio (RO) e di assimilazione proprietaria dei dati (DA) di Spire.

“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

Nel complesso, Spire è un’azienda di dati che combina immagini satellitari e IA per migliorare le previsioni meteorologiche e agricole, il tracciamento degli aerei e persino le applicazioni di difesa.

Sta raggiungendo una scala operativa che potrebbe renderla redditizia, un potenziale punto di svolta importante per gli investitori. Dopo aver raccolto con successo 40 milioni di dollari lordi mediante la vendita di nuove azioni nel primo trimestre del 2025, potrebbe inoltre non aver bisogno di molto altro capitale.

Fonte: Spire

Ultime Spire (SPIR) Notizie azionarie e sviluppi

Studio Riferito:

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