AI etter tornadoer: raskere skadekart og prognoser for gjenoppbygging

AI kan gi et raskere første skadebilde

Etter en naturkatastrofe må innbyggere reddes og strøm, vann, helsetjenester og transport gjenopprettes. Bygg-for-bygg-vurderinger og planlegging av gjenoppbyggingen tar likevel uker, måneder eller år. Feltinspeksjoner krever mye personell, mens nødetater, kommuner, forsikringsselskaper og beboere trenger informasjon samtidig.

Abdullah Braik og Maria Koliou ved Texas A&M University utviklet en metode som kombinerer fjernmålingsbilder, dyp læring og gjenopprettingsmodeller. Når egnede bilder etter hendelsen er tilgjengelige, kan systemet lage et regionalt skadekart og sannsynlighetsbaserte anslag for gjenoppretting på under én time. Metoden erstatter ikke feltinspeksjon, men kan hjelpe med prioriteringen.

Historisk figur fra en selskaps­presentasjon. Kilde: Spire

Studien ble publisert i 2025 i Sustainable Cities and Society som Post-tornado automated building damage evaluation and recovery prediction by integrating remote sensing, deep learning, and restoration models.

Joplin-tornadoen som testtilfelle

EF5-tornadoen som traff Joplin i Missouri 22. mai 2011 drepte 161 mennesker, skadet over tusen og ødela eller skadet omtrent 8 000 boliger og virksomheter. Vinden ble anslått til mer enn 200 miles i timen, og skadene oversteg to milliarder dollar.

«Tornado Alley» er et historisk begrep uten en skarp, fast grense. Kilde: Weather & Radar

Joplin var egnet som kasus fordi forskerne hadde flybilder, bygningsdata og detaljerte historiske feltvurderinger. Materialet ga en referanse for å sammenligne modellens klassifiseringer. Det var en tilbakeprøving på en godt dokumentert hendelse, ikke en ny sanntidsutplassering.

Slik virker metoden

1. Fjernmåling

Høyoppløselige fly- eller satellittbilder gir oversikt over et stort område. De kan vise sammenraste tak, manglende vegger og spredt bygningsmateriale. Resultatet avhenger av oppløsning, tidspunkt, skyer, synsvinkel og om skaden faktisk er synlig ovenfra.

2. Klassifisering med dyp læring

Modellen ble trent på katastrofebilder fra flere kilder for å finne bygninger og dele synlige skader i kategorier fra liten skade til alvorlig skade eller ødeleggelse. Den utnytter også at tornadoer ofte lager et smalt, sammenhengende geografisk skadespor.

Automatisk klassifisering kan fremskynde den første oversikten, men avslører ikke nødvendigvis skjulte konstruksjonsfeil, elektriske skader eller skader innendørs. Faglige inspeksjoner er fortsatt nødvendige før sikkerhets-, erstatnings- og reparasjonsbeslutninger.

3. Modellering av tid og kostnad

Skadekategoriene mates inn i gjenopprettingsmodeller sammen med opplysninger om bygningsmasse, infrastruktur, kostnader og samfunnets ressurser. Resultatet er sannsynlighetsfordelinger for tid og kostnad under ulike finansierings- og tiltaksscenarier, ikke en sikker ferdigdato for hvert hus.

• Fjernmålingen gir en rask regional oversikt.
• Dyp læring gjør bildene om til bygningsvise skadekategorier.
• Gjenopprettingsmodellen anslår ressursbehov og intervaller for tid og kostnad.

Validering og begrensninger

I Joplin-materialet lå modellens skadekart nær de historiske feltdataene. Forskerne kunne også rekonstruere tornadoens bane fra bygningsskadene, med god overensstemmelse med den dokumenterte banen.

Det betyr ikke at måneder med full skade- og gjenopprettingsvurdering er redusert til én time. Tiden gjelder selve beregningen etter at egnede bilder og grunnlagsdata foreligger. Bildeinnsamling, kvalitetskontroll, skjulte skader, personsikkerhet og offisiell inspeksjon er fortsatt egne trinn.

Forskerne rapporterte lovende forsøk på orkandata. Bruk ved jordskjelv, flom eller skogbrann krever hendelsesspesifikke treningsdata og ny validering fordi skademønstrene ser annerledes ut. Påstanden om at AI generelt ser usynlige mønstre er ikke dokumentasjon på at den finner skjulte konstruksjonsskader.

En mulig videreføring er å analysere nye bilder gjennom gjenoppbyggingen og oppdatere prognosene. Da må systemet vise usikkerhet, beskytte sensitive posisjonsdata og kontrolleres for skjevheter som ellers kan styre hjelp bort fra områder med dårligere bildegrunnlag.

Investeringsperspektiv: Spire Global

Spire Global leverer rombaserte data, analyse og satellittjenester. Småsatellittene samler i hovedsak radiofrekvensdata som GNSS-radiookkultasjon og GNSS-reflektometri. Den opprinnelige artikkelens omtale av multispektrale satellittbilder var misvisende: Spires viktigste værdata er ikke vanlige optiske bilder.

Vær og jordfuktighet

Radiookkultasjon bidrar med profiler av atmosfærens temperatur, trykk og fuktighet til værmodeller. Reflekterte GNSS-signaler kan brukes til å anslå jordfuktighet, havis og vind over havet. Spire markedsfører jordfuktighetsdata med omtrent 100 meters oppløsning for landbruk, forsikring og miljøovervåking.

Eksempel på jordfuktighetsdata. Kilde: Spire

Satellitter som tjeneste

Gjennom LEMUR-plattformen tilbyr selskapet kunder utforming, bygging, oppskytingsstøtte og drift av satellitter. Denne virksomheten er forskjellig fra Spires egne vær- og sporingsprodukter.

LEMUR-plattformen. Kilde: Spire

Kontrakter og salg av maritim virksomhet

I mai 2025 ble Spire valgt til en flerleverandøravtale for U.S. Space Force med et samlet tak på 237 millioner dollar. Taket er ikke 237 millioner dollar i garantert omsetning til Spire; faktisk verdi avhenger av arbeidsordrer.

Den 25. april 2025 fullførte Spire salget av den maritime datavirksomheten til Kpler for omtrent 233,5 millioner dollar før justeringer, og brukte provenyet til å betale gjeld. Skipsdata var derfor ikke lenger en del av den videreførte virksomheten ved senere vurdering.

Spire samarbeidet med NVIDIA (NVDA ) om å gjøre værdata tilgjengelig for Earth-2-plattformen. Samarbeidet kan gi bedre inngangsdata til modeller, men garanterer verken treffsikkerhet eller lønnsomhet.

Finansiell risiko

Salget av den maritime virksomheten styrket balansen, men en påstand om at lønnsomhet var nært forestående var fortsatt en prognose. Investorer må vurdere omsetning og kontantstrøm fra videreførte aktiviteter, kundekonsentrasjon, aksjebasert kompensasjon og mulig utvanning.

Historisk presentasjonsfigur, ikke en oppdatert prognose. Kilde: Spire

Siste nytt om Spire

Konklusjon

Texas A&M-metoden viser at bilder etter en tornado kan omdannes raskt til et regionalt skadekart og kobles til modeller for tid og kostnad. Verdien ligger i raskere situasjonsforståelse og bedre prioritering av ressurser.

Systemet erstatter ikke redningsarbeid, ingeniørinspeksjon eller lokal beslutningstaking. Bruk ved andre katastrofer krever egne data, ny validering og åpen rapportering av usikkerhet.

Referert studie

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