Paano Binabago ng AI ang Pagbangon Mula sa Kalamidad Pagkatapos ng mga Tornado

Paano Pinapabuti ng AI ang Pagbangon Mula sa Kalamidad

Kapag tumama ang mga natural na kalamidad, ang agarang pangangailangan ay iligtas ang mga lokal na residente at ibalik ang imprastruktura sa isang gumaganang kalagayan, lalo na ang kuryente, malinis na tubig, at pangangalagang pangkalusugan.

Nagiging lumalalang problema ito, kung saan ang gastusin para sa mga ganitong pangyayari ay patuloy na tumataas sa nakaraang dekada, dulot ng pagbabago ng klima at lumalaking populasyon.

Pinagmulan: Spire

Gayunpaman, ang tunay na pagbangon ng isang komunidad ay tumatagal nang mas matagal, kung saan ang pagsusuri ng pinsala at pagkatapos ay ang muling pagtatayo ay umaabot ng mga buwan, kung hindi man ng mga taon.

Madalas, ito ay naaantala dahil sa napakalaking dami ng mga problemang kailangang tuklasin at maayos na tasahin. Ang indibidwal na inspeksyon ng bawat gusali ay maaaring magtagal nang maraming oras, lalo na kung kulang ang mga kompanya ng seguro, serbisyong pang-emergency, at iba pang mga stakeholder sa tauhan.

“Ang mga manwal na inspeksyon sa larangan ay nangangailangan ng maraming lakas-paggawa at matagal, madalas na nagdudulot ng pagkaantala sa mahahalagang tugon.”
Abdullah Braik – doktoral na mag-aaral sa civil engineering sa Texas A&M

Maaaring magbago ito ngayon salamat sa teknolohiyang AI. Dalawang mananaliksik mula sa Texas A&M University ang nakabuo ng isang AI system na gumagamit ng remote sensing, deep learning, at mga modelo ng pagpapanumbalik upang tumpak na mahulaan ang pagsusuri ng pinsala ng tornado at pagbangon sa loob ng mas mababa sa isang oras.

Ang pamamaraang ito ay makakatulong na mas mahusay na ayusin ang mga pagsisikap sa pagbangon, at nailathala sa Sustainable Cities and Society¹, under the title “Post-tornado automated building damage evaluation and recovery prediction by integrating remote sensing, deep learning, and restoration models”.

“Gumagamit ang aming pamamaraan ng mataas na resolusyong imahe ng sensing at mga algorithm ng deep learning upang lumikha ng mga pagsusuri ng pinsala sa loob ng ilang oras, agad na nagbibigay sa mga unang responder at mga gumagawa ng patakaran ng kapaki-pakinabang na intelihensiya.”
Abdullah Braik – doktoral na mag-aaral sa civil engineering sa Texas A&M

Pagkasira ng Tornado: Isang Lumalaking Banta sa Estados Unidos

Kapag pinakawalan, maaaring maging mapaminsala ang kalikasan para sa mga tao at mga lungsod na kanilang tinitirhan. Isang halimbawa nito ay ang mga tornado, na medyo regular na nangyayari sa maraming bahagi ng mundo, kabilang ang tinatawag na Tornado Alley sa Estados Unidos.

Pinagmulan: Weather and Radar

Halimbawa, noong tagsibol ng 2011, ang Joplin, Missouri ay sinalanta ng isang EF5 tornado na may tinatayang hangin na humigit-kumulang 200 mph (321 km/h). Ang bagyo ay pumatay ng 161 katao, nakasugat ng higit sa 1,000, at nagdulot ng pinsala at pagkasira sa humigit-kumulang 8,000 na tahanan at negosyo. Ang tornado ay gumuhit ng landas na may lapad na isang milya sa masiglang populadong timog-sentral na bahagi ng lungsod, na nag-iwan ng milya-milyang durog na labi at nagdulot ng higit sa $2 bilyong pinsala.

Kamakailan lamang ngayong buwan, ang mga nakamamatay na tornado ay sumira ng maraming bahay at nagdulot ng malawak na pinsala sa Midwest at timog ng Estados Unidos.

Malamang na aabutin ng maraming oras upang ganap na maunawaan ang kabuuang lawak ng pinsalang idinulot ng mga tornado na ito. Dito naniniwala ang mga mananaliksik ng Texas A&M University na maaari silang makatulong.

Mga Hamon sa Pagsusuri ng Pinsala Pagkatapos ng Tornado

Pagkatapos ng ganitong pangyayari, karaniwang proseso ang pagpadala ng hanay ng mga unang responder, tagaplano ng lungsod, at mga eksperto sa seguro upang tasahin ang pagkasira at kung paano tumugon dito.

Ito ay lalong totoo sa mga tornado, dahil ang hangin at mabibigat na bagay na iniaangat nito ay maaaring sirain kahit ang pinakamalalakas na gusali.

“Ang mga pagsisiyasat ng pinsala pagkatapos ng sakuna ay karaniwang matagal at nangangailangan ng maraming lakas-paggawa, pangunahing nakatuon sa patuloy na pag-aayos ng modelo at code kaysa sa agarang at mabilis na pag-update.”

May ilang paunang hakbang na ginawa upang gamitin ang umiiral na datos sa pagsusuri ng pinsala pagkatapos ng kalamidad, partikular ang Geographic Information Systems (GIS), na nagbubuo ng maraming patong ng datos tungkol sa isang partikular na lokasyon.

Ngunit ang paraan ng paggamit ng datos na ito ay madalas na hindi sapat upang magbigay ng tumpak na pagsusuri. Kailangan din nito ng maraming manu-manong interbensyon at husay ng tao upang maging magagamit na mga sukatan. Dito makakatulong ang pagdaragdag ng karagdagang impormasyon at AI.

Modelong Pinapagana ng AI para sa Pagsusuri ng Pinsala at Pagbangon

Pagsasama ng Umiiral na Mga Mapagkukunan sa AI

Pinagsama ng mga mananaliksik ang 3 magkaibang kasangkapan: remote sensing, deep learning, at restoration modeling.

Upang mas mahusay na tasahin ang agarang pinsala at mga pagbabago pagkatapos ng kalamidad, ginamit nila ang remote sensing tulad ng mataas na resolusyong satellite o aerial na mga imahe.

“Mahalaga ang mga imaheng ito dahil nagbibigay ito ng macro-scale na pananaw ng apektadong lugar, na nagpapahintulot ng mabilis, malawakang pagtuklas ng pinsala.”
Abdullah Braik – doktoral na mag-aaral sa civil engineering sa Texas A&M

Pagkatapos, ginamit ang mga pamamaraan ng deep learning upang awtomatikong suriin ang mga imaheng ito at matukoy nang tumpak ang tindi ng pinsala.

Ang AI ay sinanay gamit ang libu-libong imahe ng mga nakaraang kalamidad at natutong kilalanin ang mga nakikitang palatandaan ng pinsala tulad ng bumagsak na bubong, nawawalang pader, at kalat na debris. Pagkatapos nito, ikinakategorya nito ang bawat gusali sa mga kategorya tulad ng walang pinsala, katamtamang pinsala, malubhang pinsala, o winasak.

Ang huling elemento ay restoration modeling. Ang isang bahagi ay paggamit ng datos tungkol sa mga detalye ng imprastruktura at mga salik ng komunidad, tulad ng antas ng kita o pag-access sa mga mapagkukunan.

Ang isa pang bahagi ay paggamit ng umiiral at nasubok na mga modelo ng pagbangon upang tasahin kung gaano katagal maaaring tumagal ang mga tahanan at mga kapitbahayan na makabawi sa ilalim ng iba’t ibang kondisyon ng pondo o patakaran.

Ganap nitong binabago kung paano isinasagawa ang pagsusuri ng pinsala:

• Ang remote sensing ay nagbibigay ng agarang pangkalahatang-ideya ng buong sitwasyon.
• Ang AI model ay maaaring suriin ang datos na ito sa loob ng mas mababa sa isang oras, kumpara sa mga buwan na kinakailangan ng mga tao sa lupa upang isagawa ang pagsusuri ng pinsala.
• Ang restoration modeling ay nagiging ang AI na pagsusuri sa mga magagamit na sukatan kung aling mga lugar ang nangangailangan ng pinakamaraming tulong at kung anong mga mapagkukunan ang kinakailangan.

“Sa huli, ang pananaliksik na ito ay nagbubuo ng tulay sa pagitan ng mabilis na pagsusuri ng kalamidad at estratehikong pangmatagalang pagpaplano ng pagbangon, na nag-aalok ng isang risk-informed ngunit praktikal na balangkas para sa pagpapahusay ng resiliency pagkatapos ng tornado.”
Abdullah Braik – doktoral na mag-aaral sa civil engineering sa Texas A&M

Pagpapatunay ng AI Model gamit ang Totoong Datos ng Tornado

Upang patunayan ang pamamaraang ito, tiningnan ng mga mananaliksik ang kalamidad ng tornado sa Joplin noong 2011.

Ang pangyayaring ito ay malawak na dokumentado, na lumikha ng masaganang dataset na maaaring gamitin bilang backtest para sa AI system. Ang mga kalkuladong pagsusuri ay maaaring ihambing sa totoong buhay, mga on-the-ground na pagsusuri ng pinsala na ginawa noong panahong iyon.

At ang mga resulta na nilikha ng AI ay napatunayang napakalapit sa historikal na datos. Nagbigay din ito ng rekord kung paano naganap ang kalamidad.

“Isa sa mga pinaka-kawili-wiling natuklasan ay na, bukod sa pagtuklas ng pinsala nang may mataas na katumpakan, maaari rin naming tantiyahin ang landas ng tornado.

Sa pamamagitan ng pagsusuri ng datos ng pinsala, nagawang muling buuin namin ang landas ng tornado, na malapit na tumutugma sa mga historikal na rekord, na nag-aalok ng mahalagang impormasyon tungkol sa mismong pangyayari.”
Abdullah Braik – doktoral na mag-aaral sa civil engineering sa Texas A&M

Pagpapalawak ng AI Model sa Iba pang Natural na Kalamidad

Bagaman ito ay binuo at sinubukan para sa pinsalang dulot ng tornado, maaaring ilapat ang pamamaraang ito sa iba pang sitwasyon, tulad ng mga bagyo at lindol, basta’t kayang matukoy ng mga satellite ang mga pattern ng pinsala.

Maaaring hindi ito maging malaking problema kaysa sa inaasahan, kahit na ang pinsala mula sa mga lindol ay, halimbawa, hindi madaling makita mula sa himpapawid kumpara sa mga nabuwal na bubong. Ito ay dahil natututo ang modelo mula sa mga totoong halimbawa, at madalas nating nakikita ang AI na nakakakita ng mga pattern na hindi nakikita ng mata ng tao.

“Ang susi sa pangkalahatang kakayahan ng modelo ay nakasalalay sa pagsasanay nito gamit ang mga nakaraang imahe mula sa partikular na panganib, na nagpapahintulot na matutunan nito ang natatanging mga pattern ng pinsala na nauugnay sa bawat pangyayari.”
Abdullah Braik – doktoral na mag-aaral sa civil engineering sa Texas A&M

Sa pinakapayak, tila ang modelo ay magtatagumpay din para sa isa pang karaniwang kalamidad sa USA: mga bagyo.

“Nasubukan na namin ang modelo sa datos ng bagyo, at ang mga resulta ay nagpakita ng magagarang potensyal para sa pag-aangkop sa iba pang panganib.”
Abdullah Braik – doktoral na mag-aaral sa civil engineering sa Texas A&M

Ito ay tumutugma sa isa pang aplikasyon ng AI sa larangang ito, kung saan ang mas mahusay na prediksyon ng bagyo ay nagiging realidad na, kasama ang mga AI tulad ng Graphcast, Spire, at Climavision.

Isa pang pagpapalawak ng pananaliksik na ito ay maaaring lumampas sa pagsusuri ng pinsala. Maaari itong magamit para sa paglikha ng mga real-time na pag-update sa progreso ng pagbangon at pagsubaybay sa pagbangon sa paglipas ng panahon.

Ang ganitong uri ng awtomatikong, AI-driven na feedback ay maaaring magbigay ng impormasyon sa mga patakaran at i-optimize ang mga pagsisikap sa muling pagtatayo.

Pamumuhunan sa Satellite Data at AI

Spire

Ang Spire ay isang kumpanya ng space data na nagpapatakbo ng pinakamalaking multi-purpose na konstelasyon ng mga satellite sa mundo na pag-aari ng pribadong sektor.

Ang kumpanya malakas na nakatuon sa datos ng panahon, at ang mga satellite nito ay makakakuha ng mga imahe sa maraming spektrum, na nagbibigay ng mas mayamang datos na larawan ng isang partikular na lokasyon.

Halimbawa, ang mga satellite image nito para sa pagsukat ng kahalumigmigan ay tumpak hanggang 100m at maaaring magamit ng mga magsasaka, pati na rin ng mga kompanya ng seguro, mga mangangalakal ng kalakal, mga ahensya ng pangkapaligirang pagmamanman, mga kumpanya ng konstruksyon, at mga civil engineer upang mas maunawaan ang kondisyon ng lupa at ang darating na ani.

Pinagmulan: Spire

Nag-aalok ang kumpanya na magtayo para sa kanilang kliyente ng kanilang sariling proprietary satellite constellation, gamit ang LEMUR satellite platform.

Pinagmulan: Spire

Ang kumpanya ay aktibo rin sa seguridad, partikular sa alok sa aviation para sa Automatic Dependent Surveillance-Broadcast (ADS-B), na gumagamit ng GPS upang matukoy ang bilis ng hangin, lokasyon, at iba pang impormasyon tungkol sa eroplano.

Samantala, napili ang Spire para sa isang kontrata na $237M sa US Space Force upang “magdisenyo, magtayo, mag-integrate, at magpatakbo ng maliliit na satellite bus para sa susunod na henerasyon ng mga space experiment”.

Naging aktibo rin ito sa industriyang maritima, kung saan ginagamit ang mga satellite nito para sa pagsubaybay ng mga sasakyang-dagat, ngunit ang sangay na ito ng kumpanya ay nakuha ng Kpler noong Abril 2025.

Tungkol sa AI, nakikipagtulungan ang Spire sa NVIDIA upang isama sa mga Cloud API ng NVIDIA Earth‑2 ang lahat ng Radio Occultation (RO) data ng Spire at proprietary data assimilation (DA).

“Ang pagsasama ng proprietary data ng Spire at walang kapantay na global weather coverage sa makabagong teknolohiya at kadalubhasaan ng NVIDIA ay naglalagay sa amin upang lubos na mapataas ang katumpakan ng prediksyon ng panahon. Ang kolaborasyong ito ay makakatulong upang matiyak na ang aming mga customer ay hindi lamang nalalaman kundi nabibigyan ng kapangyarihan upang aktibong harapin ang patuloy na nagbabagong klima.”
Michael Eilts – General manager ng weather at climate sa Spire

Sa pangkalahatan, ang Spire ay isang kumpanya ng datos na yumayakap sa pagsasama ng satellite imagery at AI para sa mas mahusay na prediksyon ng panahon, agrikultura, pagsubaybay ng mga eroplano, at pati na rin para sa mga layuning pangdepensa.

Umaabot na ito sa sukat kung saan maaari itong maging kumikita, isang mahalagang posibleng punto ng pag-ikot para sa mga mamumuhunan, at maaaring hindi na kailanganin ng labis na karagdagang pag-raise ng pondo matapos ang matagumpay na $40M na gross proceeds sa pagbebenta ng mga bagong shares sa Q1 2025.

Pinagmulan: Spire

Pinakabagong Spire (SPIR) Balita at Pag-unlad sa Stock

Pag-aaral na Sanggunian:

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