Como a IA Está Transformando a Recuperação de Desastres Após Tornados

Como a IA Melhora a Recuperação de Desastres Naturais

Quando catástrofes naturais ocorrem, a necessidade imediata é salvar os habitantes locais e restaurar a infraestrutura a um estado funcional, especialmente energia, água potável e assistência médica.

Isso está se tornando um problema crescente, com os custos desses eventos aumentando continuamente na última década, impulsionados pelas mudanças climáticas e pelo crescimento populacional.

Fonte: Spire

No entanto, a verdadeira recuperação de uma comunidade leva muito mais tempo, com a avaliação dos danos e a reconstrução levando meses, se não anos.

Frequentemente, isso é atrasado pela enorme carga de problemas a identificar e avaliar adequadamente. A inspeção individual de cada edifício pode levar muito tempo, especialmente se companhias de seguros, serviços de emergência e outras partes interessadas estiverem com falta de pessoal.

“Inspeções de campo manuais são intensivas em mão de obra e demoradas, frequentemente atrasando esforços críticos de resposta.”

Abdullah Braik – Estudante de doutorado em engenharia civil na Texas A&M

Isso pode mudar graças à tecnologia de IA. Dois pesquisadores da Texas A&M University desenvolveram um sistema de IA que usa sensoriamento remoto, aprendizado profundo e modelos de restauração para prever avaliações de danos de tornados e recuperação com precisão em menos de uma hora.

Esse método pode ajudar a organizar melhor os esforços de recuperação e foi publicado na Sustainable Cities and Society¹, sob o título “Avaliação automatizada de danos a edifícios pós-tornado e previsão de recuperação ao integrar sensoriamento remoto, aprendizado profundo e modelos de restauração”.

“Nosso método usa imagens de sensoriamento de alta resolução e algoritmos de aprendizado profundo para gerar avaliações de danos em poucas horas, fornecendo imediatamente aos primeiros respondedores e formuladores de políticas informações acionáveis.”

Abdullah Braik – Estudante de doutorado em engenharia civil na Texas A&M

Devastação por Tornado: Uma Ameaça Crescente nos EUA

Quando liberada, a natureza pode ser devastadora para as pessoas e as cidades onde vivem. Um exemplo são os tornados, ocorrências relativamente regulares em muitas partes do mundo, incluindo a chamada Tornado Alley nos EUA.

Fonte: Weather and Radar

Por exemplo, na primavera de 2011, Joplin, Missouri, foi devastada por um tornado EF5 com ventos estimados acima de 200 mph (321 km/h). A tempestade matou 161 pessoas, feriu mais de 1.000 e danificou ou destruiu cerca de 8.000 casas e negócios. O tornado abriu um caminho de cerca de um quilômetro de largura através da área densamente povoada do centro-sul da cidade, deixando quilômetros de destroços e causando mais de US$ 2 bilhões em danos.

Este mês, tornados mortais destruíram muitas casas e causaram grandes danos no Meio-Oeste e no Sul dos EUA.

É provável que leve muito tempo para compreender plenamente a escala total dos danos causados por esses tornados. É aqui que os pesquisadores da Texas A&M University acreditam que podem ajudar.

Desafios na Avaliação de Danos Pós-Tornado

Após um evento desse tipo, o procedimento padrão é que uma série de primeiros respondedores, planejadores urbanos e especialistas em seguros entrem para avaliar a destruição e como reagir a ela.

Isso é especialmente verdadeiro com tornados, pois o vento e objetos pesados levantados por eles podem destruir até os edifícios mais robustos.

“Pesquisas de danos pós-desastre são tipicamente demoradas e intensivas em mão de obra, focadas principalmente no refinamento contínuo de modelos e códigos, em vez de atualizações imediatas e rápidas.”

Alguns passos iniciais foram feitos para usar dados existentes na análise dos danos pós-catástrofe, notadamente Sistemas de Informação Geográfica (GIS), que reúnem múltiplas camadas de dados sobre um local específico.

Mas a forma como esses dados são usados costuma ser insuficiente para fornecer avaliações precisas. Também requer muitas intervenções manuais e julgamento humano para serem transformados em métricas utilizáveis. É aqui que a adição de informações extras e IA pode ajudar.

Modelo Impulsionado por IA para Avaliação de Danos e Recuperação

Unindo Recursos Existentes com IA

Os pesquisadores combinaram 3 ferramentas diferentes: sensoriamento remoto, aprendizado profundo e modelagem de restauração.

Para avaliar melhor os danos imediatos e as mudanças após a catástrofe, eles usaram sensoriamento remoto como imagens de satélite ou aéreas de alta resolução.

“Essas imagens são cruciais porque oferecem uma visão macro da área afetada, permitindo a detecção rápida e em larga escala de danos.”

Abdullah Braik – Estudante de doutorado em engenharia civil na Texas A&M

Então, métodos de aprendizado profundo foram usados para analisar automaticamente essas imagens e identificar com precisão a gravidade dos danos.

A IA foi treinada com milhares de imagens de desastres anteriores e aprendeu a reconhecer sinais visíveis de dano, como telhados desabados, paredes ausentes e destroços espalhados. Em seguida, classifica cada edifício em categorias como sem dano, dano moderado, dano grave ou destruído.

O último elemento é modelagem de restauração. Uma parte usa dados sobre detalhes de infraestrutura e fatores comunitários, como níveis de renda ou acesso a recursos.

Outra parte utiliza modelos de recuperação já testados para estimar quanto tempo pode levar para casas e bairros se recuperarem sob diferentes condições de financiamento ou políticas.

Isso muda completamente a forma como a avaliação de danos é realizada:

• O sensoriamento remoto fornece uma visão imediata de toda a situação.
• O modelo de IA pode analisar esses dados em menos de uma hora, comparado aos meses que humanos precisariam no terreno.
• A modelagem de restauração transforma a avaliação da IA em métricas acionáveis sobre quais áreas precisam de mais ajuda e quais recursos são necessários.

“Em última análise, esta pesquisa preenche a lacuna entre avaliação rápida de desastres e planejamento estratégico de recuperação a longo prazo, oferecendo uma estrutura prática e baseada em risco para melhorar a resiliência pós-tornado.”

Abdullah Braik – Estudante de doutorado em engenharia civil na Texas A&M

Validando o Modelo de IA com Dados Reais de Tornado

Para validar essa abordagem, os pesquisadores revisaram a catástrofe do tornado de Joplin em 2011.

Esse evento foi extensivamente documentado, criando um rico conjunto de dados que pôde ser usado como backtest para o sistema de IA. As avaliações calculadas puderam então ser comparadas com avaliações de danos feitas no terreno na época.

E os resultados gerados pela IA provaram ser notavelmente próximos aos dados históricos. Também forneceu um registro de como a catástrofe se desenrolou.

“Uma das descobertas mais interessantes foi que, além de detectar danos com alta precisão, também pudemos estimar a trajetória do tornado.

Ao analisar os dados de danos, conseguimos reconstruir o caminho do tornado, que correspondia de perto aos registros históricos, oferecendo informações valiosas sobre o próprio evento.”

Abdullah Braik – Estudante de doutorado em engenharia civil na Texas A&M

 Escalando o Modelo de IA para Outros Desastres Naturais

Embora tenha sido desenvolvido e testado para danos causados por tornados, esse método poderia ser implantado para outras situações, como furacões e terremotos, desde que satélites possam detectar padrões de dano.

Essa limitação pode ser menos problemática do que se esperava inicialmente, mesmo que danos de terremotos, por exemplo, sejam menos visíveis do céu do que telhados arrancados. Isso ocorre porque o modelo aprende com exemplos reais, e frequentemente vemos IAs capazes de detectar padrões invisíveis ao olho humano.

“A chave para a generalização do modelo está em treiná‑lo usando imagens passadas de riscos específicos, permitindo que ele aprenda os padrões únicos de dano associados a cada evento.”

Abdullah Braik – Estudante de doutorado em engenharia civil na Texas A&M

Pelo menos, parece que o modelo se adapta bem a outro desastre comum nos EUA: furacões.

“Já testamos o modelo com dados de furacões, e os resultados mostraram potencial promissor para adaptação a outros riscos.”

Abdullah Braik – Estudante de doutorado em engenharia civil na Texas A&M

Isso combina com outra aplicação de IA neste campo, com previsões de furacões agora se tornando realidade, incluindo IAs como Graphcast, Spire e Climavision.

Outra extensão desta pesquisa poderia ir além da avaliação de danos. Poderia ser usada para criar atualizações em tempo real sobre o progresso da recuperação e rastrear a recuperação ao longo do tempo.

Esse tipo de feedback automatizado e impulsionado por IA poderia então informar políticas e otimizar os esforços de reconstrução.

Investindo em Dados de Satélite e IA

Spire

Spire é uma empresa de dados espaciais que opera a maior constelação multiuso de satélites do mundo nas mãos privadas.

A empresa foca fortemente em dados meteorológicos, e seus satélites podem capturar imagens em múltiplos espectros, proporcionando uma imagem mais rica em dados de um local específico.

Por exemplo, suas imagens de satélite de medição de umidade são precisas até 100 m e podem ser usadas por agricultores, mas também por companhias de seguros, negociantes de commodities, agências de monitoramento ambiental, empresas de construção e engenheiros civis para entender melhor as condições do solo e as próximas colheitas.

Fonte: Spire

A empresa oferece construir para seu cliente sua própria constelação proprietária de satélites, com a plataforma de satélite LEMUR.

Fonte: Spire

A empresa também atua na área de segurança, notadamente com sua oferta de aviação para Automatic Dependent Surveillance-Broadcast (ADS‑B), que usa GPS para determinar velocidade do ar, localização e outras informações sobre aeronaves.

Entretanto, a Spire foi selecionada para um contrato de US$ 237 milhões com a Força Espacial dos EUA para “projetar, construir, integrar e operar pequenos ônibus satelitais para experimentos espaciais de próxima geração”.

Também esteve ativa na indústria marítima, com seus satélites usados para rastreamento de embarcações, mas essa divisão da empresa foi adquirida pela Kpler em abril de 2025.

Quanto à IA, a Spire está colaborando com a NVIDIA (NVDA ) para integrar nas NVIDIA‘s Earth‑2 Cloud APIs todos os dados de Radio Occultation (RO) da Spire e sua assimilação de dados proprietária (DA)

“Alinhar os dados proprietários da Spire e sua cobertura climática global incomparável com a tecnologia de ponta da NVIDIA posiciona-nos para elevar significativamente a precisão das previsões meteorológicas. Essa colaboração ajudará nossos clientes não apenas a serem informados, mas a agir proativamente diante do cenário climático em evolução.”

Michael Eilts – Gerente geral de clima e tempo na Spire

No geral, a Spire é uma empresa de dados que abraça a combinação de imagens de satélite e IA para melhorar previsões meteorológicas, previsões agrícolas, rastreamento de aviões e até fins de defesa.

Agora está alcançando uma escala que pode torná‑la lucrativa, um ponto de virada potencial importante para investidores, e talvez não precise de muito capital adicional após um bem‑sucedido aporte bruto de US$ 40 milhões na venda de novas ações no 1T 2025.

Fonte: Spire

Últimas Spire (SPIR) Notícias e Desenvolvimentos das Ações

Estudo Referenciado:

^{1. Abdullah M. Braik e Maria Koliou. Avaliação automatizada de danos a edifícios pós-tornado e previsão de recuperação ao integrar sensoriamento remoto, aprendizado profundo e modelos de restauração. Sustainable Cities and Society. Volume 123, 1 de abril de 2025, 106286. https://doi.org/10.1016/j.scs.2025.106286}