Hur AI omvandlar katastrofåterhämtning efter tornadoer

Hur AI förbättrar återhämtning efter naturkatastrofer

När naturkatastrofer slår till är det omedelbara behovet att rädda de lokala invånarna och återställa infrastrukturen till ett funktionellt tillstånd, särskilt el, färskvatten och sjukvård.

Detta blir ett växande problem, med kostnaderna för sådana händelser som ständigt ökar under det senaste decenniet, drivet av klimatförändringar och en växande befolkning.

Källa: Spire

Den faktiska återhämtningen av ett samhälle tar dock mycket längre, där bedömning av skador och sedan återuppbyggnad kan ta månader, om inte år.

Ofta fördröjs detta av den enorma mängden problem som måste identifieras och bedömas korrekt. Individuell inspektion av varje byggnad kan ta mycket tid, särskilt om försäkringsbolag, räddningstjänster och andra intressenter har brist på personal.

“Manuella fältinspektioner är arbetsintensiva och tidskrävande, vilket ofta fördröjer kritiska insatsåtgärder.”

Abdullah Braik – doktorand i civilingenjörsvetenskap vid Texas A&M

Detta kan nu förändras tack vare AI-teknik. Två forskare vid Texas A&M University har utvecklat ett AI‑system som använder fjärranalys, djupinlärning och återställningsmodeller för att på mindre än en timme exakt förutsäga tornado‑skadebedömningar och återhämtning.

Denna metod kan hjälpa till att bättre organisera återhämtningsinsatser och publicerades i Sustainable Cities and Society¹, under titeln “Post-tornado automated building damage evaluation and recovery prediction by integrating remote sensing, deep learning, and restoration models”.

“Vår metod använder högupplösta avbildningsdata och djupinlärningsalgoritmer för att generera skadebedömningar inom timmar, vilket omedelbart ger första insatsgrupper och beslutsfattare handlingsbar information.”

Abdullah Braik – doktorand i civilingenjörsvetenskap vid Texas A&M

Tornadoförödelse: Ett växande hot i USA

När naturen släpps lös kan den vara förödande för människor och de städer de bor i. Ett sådant exempel är tornadoer, ett relativt regelbundet förekommande fenomen i många delar av världen, inklusive den så kallade Tornado Alley i USA.

Källa: Weather and Radar

Till exempel, våren 2011 drabbades Joplin, Missouri, av en EF5‑tornado med uppskattade vindar som översteg 200 mph (321 km/h). Stormen dödade 161 personer, skadade över 1 000 och förstörde samt skadade omkring 8 000 hem och företag. Tornadon skapade ett en mil brett spår genom det tätt befolkade sydcentrala området i staden, lämnade efter sig miljoner av splittrat spillror och orsakade skador på över 2 miljarder dollar.

Redan den här månaden förstörde dödliga tornadoer många hus och orsakade stora skador i Mellanvästern och södra USA.

Det kommer sannolikt att ta lång tid att fullt ut förstå omfattningen av skadorna som dessa tornadoer orsakade. Och här tror forskarna vid Texas A&M University att de kan hjälpa till.

Utmaningar vid efter‑tornado skadebedömning

Efter en sådan händelse är det standardprocedur att ett antal första insatsgrupper, stadsplanerare och försäkringsexperter kommer in för att bedöma förstörelsen och hur man ska reagera på den.

Detta gäller särskilt för tornadoer, då vinden och tunga föremål som lyfts av dem kan förstöra även de starkaste byggnaderna.

“Efterkatastrofala skadeundersökningar är vanligtvis tidskrävande och arbetsintensiva, främst fokuserade på kontinuerlig modell‑ och kodförfining snarare än omedelbara och snabba uppdateringar.”

Vissa preliminära steg har tagits för att använda befintliga data för att analysera efterkatastrofala skador, särskilt geografiska informationssystem (GIS), som samlar flera lager av data om en given plats.

Men sättet som dessa data används på är ofta otillräckligt för att ge exakta utvärderingar. Det kräver också många manuella ingrepp och mänskligt omdöme för att omvandlas till användbara mått. Här kan tillägg av extra information och AI hjälpa.

AI‑drivet modell för skadeutvärdering och återhämtning

Sammanfoga befintliga resurser med AI

Forskarna kombinerade tre olika verktyg: fjärranalys, djupinlärning och återställningsmodellering.

För att bättre utvärdera de omedelbara skadorna och förändringarna efter katastrofen använde de fjärranalys som högupplösta satellit‑ eller luftbilder.

“Dessa bilder är avgörande eftersom de ger en makroskopisk vy av det drabbade området, vilket möjliggör snabb, storskalig skadedetektering.”

Abdullah Braik – doktorand i civilingenjörsvetenskap vid Texas A&M

Sedan användes djupinlärningsmetoder för att automatiskt analysera dessa bilder och exakt identifiera skadans allvar.

AI:n tränades på tusentals bilder från tidigare katastrofer och lärde sig känna igen synliga tecken på skador såsom kollapsade tak, saknade väggar och spridda skräp. Den klassificerar sedan varje byggnad i kategorier som ingen skada, måttlig skada, allvarlig skada eller förstörd.

Den sista delen är återställningsmodellering. En del använder data om infrastrukturdetaljer och samhällsfaktorer, såsom inkomstnivåer eller tillgång till resurser.

En annan del använder befintliga och testade återhämtningsmodeller för att bedöma hur lång tid det kan ta för hem och grannskap att återhämta sig under olika finansierings‑ eller policyförhållanden.

Detta förändrar helt hur skadebedömning utförs:

• Fjärranalys ger en omedelbar översikt av hela situationen.
• AI‑modellen kan analysera dessa data på mindre än en timme, jämfört med de månader som krävs för människor på marken att utföra skadeutvärderingen.
• Återställningsmodellering omvandlar AI‑utvärderingen till handlingsbara mått på vilka områden som behöver mest hjälp och vilka resurser som krävs.

“I slutändan överbryggar denna forskning klyftan mellan snabb katastrofbedömning och strategisk långsiktig återhämtningsplanering, och erbjuder ett riskinformerat men praktiskt ramverk för att förbättra efter‑tornadoresiliens.”

Abdullah Braik – doktorand i civilingenjörsvetenskap vid Texas A&M

Validering av AI‑modellen med verkliga tornado‑data

För att validera detta tillvägagångssätt tittade forskarna tillbaka på tornado‑katastrofen i Joplin 2011.

Denna händelse dokumenterades omfattande, vilket skapade ett rikt dataset som kunde användas som backtest för AI‑systemet. De beräknade bedömningarna kunde sedan jämföras med verkliga, på plats utförda skadebedömningar som gjordes då.

Och de AI‑genererade resultaten visade sig vara anmärkningsvärt nära de historiska data. Det gav också en redogörelse för hur katastrofen utvecklades.

“En av de mest intressanta fynden var att, förutom att upptäcka skador med hög precision, kunde vi också uppskatta tornadoens bana.

Genom att analysera skadedatan kunde vi rekonstruera tornadoens spår, vilket nära matchade de historiska registren och erbjöd värdefull information om själva händelsen.”

Abdullah Braik – doktorand i civilingenjörsvetenskap vid Texas A&M

 Skalning av AI‑modellen till andra naturkatastrofer

Även om den utvecklades och back‑testades för tornadoorsakade skador, kan denna metod användas för andra situationer, såsom orkaner och jordbävningar, så länge satelliter kan upptäcka skademönster.

Denna begränsning kan vara mindre problematisk än vad som först förväntades, även om skador från jordbävningar till exempel är svårare att se från luften än avblåsta tak. Detta beror på att modellen lär sig av verkliga exempel, och vi ser ofta att AI kan upptäcka mönster som är osynliga för det mänskliga ögat.

“Nyckeln till modellens generaliserbarhet ligger i att träna den att använda tidigare bilder från specifika faror, vilket gör att den kan lära sig de unika skademönstren som är förknippade med varje händelse.”

Abdullah Braik – doktorand i civilingenjörsvetenskap vid Texas A&M

Åtminstone verkar modellen passa bra för en annan vanlig katastrof i USA: orkaner.

“Vi har redan testat modellen på orkandata, och resultaten har visat lovande potential för anpassning till andra faror.”

Abdullah Braik – doktorand i civilingenjörsvetenskap vid Texas A&M

Detta matchar en annan tillämpning av AI inom detta område, med förbättrad orkanprognos som nu blir en verklighet, inklusive AI:er som Graphcast,  Spire, och Climavision.

En annan utvidgning av denna forskning kan vara att gå bortom skadebedömning. Den kan användas för att skapa realtidsuppdateringar av återhämtningsframsteg och spåra återhämtning över tid.

Denna typ av automatiserad, AI‑driven återkoppling kan sedan informera policy och optimera återuppbyggnadsinsatserna.

Investering i satellitdata & AI

Spire

Spire är ett rymddatabolag som driver världens största multifunktionella satellitkonstellation i privata händer.

Företaget fokuserar starkt på väderdata, och dess satelliter kan fånga bilder i flera spektralområden, vilket ger en mer datarik bild av en given plats.

Till exempel, dess satellitbilder av fuktmätning är precisa upp till 100 m och kan användas av jordbrukare, men också av försäkringsbolag, råvaruhandlare, miljöövervakningsmyndigheter, byggföretag och civilingenjörer för att bättre förstå jordförhållanden och kommande jordbruksavkastning.

Källa: Spire

Företaget erbjuder att bygga för sina kunder deras egen proprietära satellitkonstellation, med LEMUR‑satellitplattformen.

Källa: Spire

Företaget är också aktivt inom säkerhet, särskilt med sitt flygplanserbjudande för Automatic Dependent Surveillance‑Broadcast (ADS‑B), som använder GPS för att bestämma luftfartshastighet, position och annan information om flygplan.

Under tiden har Spire valts för ett kontrakt på $237M med US Space Force för att “designa, bygga, integrera och driva små satellitbussar för nästa generations rymdexperiment”.

Det var också aktivt inom den maritima industrin, med sina satelliter som används för fartygsspårning, men denna gren av företaget förvärvades av Kpler i april 2025.

När det gäller AI samarbetar Spire med NVIDIA (NVDA ) för att integrera alla Spires Radio Occultation (RO)-data och proprietära dataassimilation (DA) i NVIDIA:s Earth‑2 Cloud‑API:er.

“Att anpassa Spires proprietära data och oöverträffade globala väderdäckning med NVIDIAs banbrytande teknik och expertis placerar oss för att avsevärt förbättra noggrannheten i väderprognoser. Detta samarbete kommer att säkerställa att våra kunder inte bara är informerade utan också utrustade för att proaktivt hantera det föränderliga klimatlandskapet.”

Michael Eilts – General manager för väder och klimat på Spire

Sammanfattningsvis är Spire ett databolag som omfamnar kombinationen av satellitbilder och AI för bättre väderprognoser, jordbruksprediktion, spårning av flygplan och även försvarsändamål.

Det når nu en skala där det kan bli lönsamt, en viktig potentiell vändpunkt för investerare, och kanske kommer det inte att behöva mycket mer kapital efter en framgångsrik intäkt på $40M från försäljning av nya aktier under Q1 2025.

Källa: Spire

Senaste Spire (SPIR) Aktienyheter och Utveckling

Studie refererad:

^{1. Abdullah M. Braikoch Maria Koliou. Post-tornado automated building damage evaluation and recovery prediction by integrating remote sensing, deep learning, and restoration models. Sustainable Cities and Society. Volym 123, 1 april 2025, 106286. https://doi.org/10.1016/j.scs.2025.106286}