Hoe AI de rampenherstel na tornado’s transformeert

Hoe AI de herstel van natuurrampen verbetert

Wanneer natuurlijke catastrofes toeslaan, is de onmiddellijke noodzaak om de lokale bewoners te redden en de infrastructuur in een functionele staat te herstellen, met name stroom, zoet water en gezondheidszorg.

Dit wordt een groeiend probleem, waarbij de kosten voor dergelijke gebeurtenissen het afgelopen decennium blijven stijgen, gedreven door klimaatverandering en een groeiende bevolking.

Bron: Spire

Echter, het echte herstel van een gemeenschap duurt veel langer, waarbij het beoordelen van de schade en vervolgens het herbouwen maanden, zo niet jaren, kan duren.

Vaak wordt dit vertraagd door de overweldigende hoeveelheid problemen die moeten worden geïdentificeerd en correct beoordeeld. Individuele inspectie van elk gebouw kan veel tijd kosten, vooral als verzekeringsmaatschappijen, hulpdiensten en andere belanghebbenden onderbezet zijn.

“Handmatige veldinspecties zijn arbeidsintensief en tijdrovend, waardoor kritieke responsinspanningen vaak worden vertraagd.”
Abdullah Braik – Civile engineering doctoral student at Texas A&M

Dit zou nu kunnen veranderen dankzij AI-technologie. Twee onderzoekers van Texas A&M University hebben een AI-systeem ontwikkeld dat gebruikmaakt van remote sensing, deep learning en herstelmodellen om nauwkeurig tornado-schaadevaluaties en herstel in minder dan een uur te voorspellen.

Deze methode kan helpen om herstelinspanningen beter te organiseren en werd gepubliceerd in Sustainable Cities and Society¹, onder de titel “Post-tornado geautomatiseerde gebouwschade-evaluatie en herstelvoorspelling door integratie van remote sensing, deep learning en herstelmodellen”.”

“Onze methode gebruikt hoog-resolutie sensorbeelden en deep learning-algoritmen om schadebeoordelingen binnen enkele uren te genereren, waardoor eerste hulpverleners en beleidsmakers direct bruikbare informatie krijgen.”
Abdullah Braik – Civile engineering doctoral student at Texas A&M

Tornadovernietiging: Een groeiende bedreiging in de VS

Wanneer de natuur losgelaten wordt, kan ze verwoestend zijn voor mensen en de steden waarin ze wonen. Een voorbeeld hiervan zijn tornado’s, een relatief regelmatig voorkomende gebeurtenis in veel delen van de wereld, inclusief het zogenaamde Tornado Alley in de VS.

Bron: Weather and Radar

Bijvoorbeeld, in het voorjaar van 2011 werd Joplin, Missouri, verwoest door een EF5-tornado met geschatte windsnelheden van meer dan 200 mph (321 km/u). De storm doodde 161 mensen, verwondde meer dan 1.000 en beschadigde en verwoestte ongeveer 8.000 huizen en bedrijven. De tornado sneed een mijl-breed pad door het dichtbevolkte zuid-centrale gebied van de stad, waardoor mijlenlange puinhopen ontstonden en meer dan 2 miljard dollar aan schade werd veroorzaakt.

Alleen deze maand hebben dodelijke tornado’s vele huizen verwoest en grote schade veroorzaakt in het Midwesten en het Zuiden van de VS.

Het zal waarschijnlijk veel tijd kosten om de volledige omvang van de schade die deze tornado’s hebben veroorzaakt volledig te begrijpen. En hier denken de onderzoekers van Texas A&M University dat ze kunnen helpen.

Uitdagingen bij schadebeoordeling na een tornado

Na zo’n gebeurtenis is het standaardprocedure dat een reeks eerste hulpverleners, stedelijke planners en verzekeringsdeskundigen naar het getroffen gebied komen om de vernietiging te beoordelen en te bepalen hoe te reageren.

Dit is vooral het geval bij tornado’s, omdat de wind en zware objecten die ze optillen zelfs de sterkste gebouwen kunnen vernietigen.

“Post-disaster damage surveys are typically time-consuming and labor-intensive, primarily focused on continuous model and code refinement rather than immediate and rapid updates.”

Enkele voorzichtige stappen zijn ondernomen om bestaande gegevens te gebruiken om de post-catastrofe schade te analyseren, met name Geographic Information Systems (GIS), die meerdere lagen van gegevens over een bepaalde locatie samenbrengen.

Maar de manier waarop deze data wordt gebruikt is vaak onvoldoende om nauwkeurige evaluaties te leveren. Het vereist ook veel handmatige interventies en menselijk oordeel om om te zetten in bruikbare metriek. Hier kan extra informatie en AI helpen.

AI-aangedreven model voor schade-evaluatie en herstel

Bestaande bronnen combineren met AI

De onderzoekers combineerden drie verschillende tools: remote sensing, deep learning en restauratiemodellering.

Om de onmiddellijke schade en veranderingen na de catastrofe beter te evalueren, gebruikten ze remote sensing zoals hoog-resolutie satelliet- of luchtfoto’s.

“Deze beelden zijn cruciaal omdat ze een macro-schaal overzicht van het getroffen gebied bieden, waardoor snelle, grootschalige schade-detectie mogelijk is.”
Abdullah Braik – Civile engineering doctoral student at Texas A&M

Vervolgens werden deep learning methods gebruikt om deze beelden automatisch te analyseren en de ernst van de schade nauwkeurig te identificeren.

De AI werd getraind op duizenden beelden van eerdere rampen en leerde zichtbare tekenen van schade te herkennen, zoals ingestorte daken, ontbrekende muren en verspreeld puin. Vervolgens classificeert hij elk gebouw in categorieën zoals geen schade, matige schade, ernstige schade of vernietigd.

Het laatste element is restoration modeling. Een deel maakt gebruik van gegevens over infrastructuurdetails en gemeenschapsfactoren, zoals inkomensniveaus of toegang tot hulpbronnen.

Een ander deel maakt gebruik van bestaande en geteste herstelmodellen om te beoordelen hoe lang het kan duren voordat huizen en wijken herstellen onder verschillende financierings- of beleidsomstandigheden.

Dit verandert volledig hoe schadebeoordeling wordt uitgevoerd:

• Remote sensing geeft een onmiddellijk overzicht van de gehele situatie.
• Het AI-model kan deze data in minder dan een uur analyseren, vergeleken met de maanden die nodig zijn voor mensen ter plaatse om de schade-evaluatie uit te voeren.
• Restauratiemodellering zet de AI-evaluatie om in bruikbare metriek over welke gebieden de meeste hulp nodig hebben en welke middelen vereist zijn.

“Uiteindelijk overbrugt dit onderzoek de kloof tussen snelle rampenbeoordeling en strategische langetermijnherstelplanning, en biedt een risico‑geïnformeerd maar praktisch kader voor het versterken van de veerkracht na tornado’s.”
Abdullah Braik – Civile engineering doctoral student at Texas A&M

Validatie van het AI-model met echte tornado-gegevens

Om deze aanpak te valideren, keken de onderzoekers terug op de tornado‑catastrofe in Joplin 2011.

Deze gebeurtenis werd uitgebreid gedocumenteerd, waardoor een rijke dataset ontstond die kon dienen als back‑test voor het AI‑systeem. De berekende beoordelingen konden vervolgens worden vergeleken met de daadwerkelijke, ter plaatse uitgevoerde schade‑evaluaties uit die tijd.

En de door AI gegenereerde resultaten bleken opmerkelijk dicht bij de historische gegevens te liggen. Het gaf ook een verslag van hoe de catastrofe zich ontvouwde.

“Een van de meest interessante bevindingen was dat we, naast het nauwkeurig detecteren van schade, ook het traject van de tornado konden schatten.

Door de schade‑data te analyseren, konden we het pad van de tornado reconstrueren, wat nauw overeenkwam met de historische verslagen en waardevolle informatie over de gebeurtenis zelf bood.”
Abdullah Braik – Civile engineering doctoral student at Texas A&M

 Opschalen van het AI‑model naar andere natuurrampen

Hoewel het is ontwikkeld en getest voor tornado‑gerelateerde schade, kan deze methode worden ingezet voor andere situaties, zoals orkanen en aardbevingen, zolang satellieten schadepatronen kunnen detecteren.

Deze beperking zou minder problematisch kunnen zijn dan aanvankelijk gedacht, zelfs als schade door aardbevingen bijvoorbeeld minder duidelijk zichtbaar is vanaf de lucht dan afgeblazen daken. Dit komt omdat het model leert van real‑life voorbeelden, en we vaak zien dat AI’s patronen kunnen detecteren die voor het menselijk oog onzichtbaar zijn.

“De sleutel tot de generaliseerbaarheid van het model ligt in het trainen om eerdere beelden van specifieke gevaren te gebruiken, waardoor het de unieke schadepatronen van elk evenement kan leren.”
Abdullah Braik – Civile engineering doctoral student at Texas A&M

In elk geval lijkt het model goed te passen bij een andere veelvoorkomende ramp in de VS: orkanen.

“We hebben het model al getest op orkaangegevens, en de resultaten hebben veelbelovend potentieel getoond voor aanpassing aan andere gevaren.”
Abdullah Braik – Civile engineering doctoral student at Texas A&M

Dit sluit aan bij een andere toepassing van AI in dit veld, waarbij betere orkaanvoorspellingen nu realiteit worden, onder andere met AI’s zoals Graphcast, Spire en Climavision.

Een andere uitbreiding van dit onderzoek zou kunnen zijn om verder te gaan dan schade‑evaluatie. Het zou kunnen worden gebruikt voor het creëren van realtime updates over herstelvoortgang en het volgen van herstel over tijd.

Dit soort geautomatiseerde, AI‑gedreven feedback zou vervolgens beleid kunnen informeren en de wederopbouwinspanningen kunnen optimaliseren.

Investeren in satellietdata & AI

Spire

Spire is een ruimte‑databedrijf dat ‘s werelds grootste multi‑purpose constellatie van satellieten in particuliere handen exploiteert.

Het bedrijf legt sterk de nadruk op weerdata, en haar satellieten kunnen beelden vastleggen in meerdere spectra, waardoor een datarijker beeld van een bepaalde locatie ontstaat.

Voorbeeld: haar satellietbeelden van vochtmeting zijn nauwkeurig tot 100 m en kunnen door boeren worden gebruikt, maar ook door verzekeringsmaatschappijen, grondstoffenhandelaren, milieumonitoringsinstanties, bouwbedrijven en civiel‑ingenieurs om de bodemconditie en verwachte landbouwopbrengsten beter te begrijpen.

Bron: Spire

Het bedrijf biedt haar klanten de mogelijkheid om hun eigen propriëtaire satellietconstellatie te bouwen, met het LEMUR‑satellietplatform.

Bron: Spire

Het bedrijf is ook actief in de beveiligingssector, met name met haar aviatie‑aanbod voor Automatic Dependent Surveillance‑Broadcast (ADS‑B), dat GPS gebruikt om luchtsnelheid, locatie en andere informatie over vliegtuigen te bepalen.

Tegelijkertijd is Spire geselecteerd voor een $237 M contract met de US Space Force om “ontwerpen, bouwen, integreren en exploiteren van kleine satellietbussen voor volgende‑generatie ruimte‑experimenten”.

Het was ook actief in de maritieme sector, met haar satellieten gebruikt voor scheepstracering, maar deze tak van het bedrijf werd in april 2025 overgenomen door Kpler.

Met betrekking tot AI werkt Spire samen met NVIDIA (NVDA ) om te integreren in NVIDIA‘s Earth–2 Cloud‑API’s voor al Spire’s Radio Occultation (RO)‑data en propriëtaire data‑assimilatietechnieken (DA).

“Het afstemmen van Spire’s propriëtaire data en ongeëvenaarde wereldwijde weerdekking op NVIDIA’s geavanceerde technologie en expertise stelt ons in staat de nauwkeurigheid van weer‑voorspellingen aanzienlijk te verhogen. Deze samenwerking zorgt ervoor dat onze klanten niet alleen geïnformeerd zijn, maar ook in staat worden gesteld proactief in te spelen op het evoluerende klimaatlandschap.”
Michael Eilts – General manager of weather and climate at Spire

Over het geheel genomen is Spire een databedrijf dat de combinatie van satellietbeelden en AI omarmt voor betere weersvoorspellingen, landbouwvoorspellingen, vliegtuigtracking en zelfs defensietoepassingen.

Het bereikt nu een schaal waarop het winstgevend kan worden, een belangrijk potentieel keerpunt voor investeerders, en misschien heeft het na een succesvolle $40 M bruto‑opbrengst bij de verkoop van nieuwe aandelen in Q1 2025 niet veel extra kapitaal nodig.

Bron: Spire

Laatste Spire (SPIR) aandelennieuws en ontwikkelingen

Studie geraadpleegd:

^{1. Abdullah M. Braiken Maria Koliou. Post-tornado geautomatiseerde gebouwschade-evaluatie en herstelvoorspelling door integratie van remote sensing, deep learning en herstelmodellen. Sustainable Cities and Society. Volume 123, 1 april 2025, 106286. https://doi.org/10.1016/j.scs.2025.106286}