التعلّم تحت إشراف طفيف على صور الأقمار الصناعية بدقة دون متر يكشف توسّع الأحياء العشوائية خلال جائحة كوفيد-19

لماذا تهم ظلال المدن

في أنحاء العالم، يعيش مئات الملايين من الناس في أحياء مكتظة بمساكن هشة وإمكانية ضعيفة للوصول إلى المياه والصرف الصحي والخدمات. غالباً ما تكون هذه المجتمعات غير مرئية في الإحصاءات الرسمية، ما يجعل من الصعب على الحكومات والمنظمات الإغاثية التخطيط للدعم أو تتبع التقدّم نحو الأهداف العالمية. تُظهر هذه الدراسة كيف يمكن لصور الأقمار الصناعية الحديثة والذكاء الاصطناعي أن تكشف كيف تنمو هذه المستوطنات وتتغير مع الزمن، بما في ذلك أثناء الصدمات مثل جائحة كوفيد-19 وفي استجابة لمشروعات إعادة تطوير المدن.

رصد الأحياء الخفيّة من الفضاء

يركّز المؤلفون على العشوائيات، أو المستوطنات الحضرية المحرومة، حيث يواجه السكان إسكاناً غير آمن وخدمات أساسية محدودة. الطرق التقليدية لإحصاء ساكني العشوائيات تعتمد على مسوح الأسر، التي تكون مكلفة وبطيئة ونادراً ما تكون مفصّلة بما يكفي لإظهار ما يحدث داخل المدينة. لكن الأقمار الصناعية عالية الدقة تستطيع التقاط تفاصيل دقيقة مثل أشكال الأسقف وكثافة المباني والمتاهة الضيقة للشوارع التي غالباً ما تشير إلى الإسكان غير الرسمي. التحدي هو تحويل هذا التدفق من بيانات الصور إلى خرائط موثوقة على نطاق واسع دون قضاء سنوات في وسم كل بكسل يدوياً.

تدريب الحواسيب بعدد قليل جداً من الأمثلة

لحلّ هذه المشكلة، بنى الباحثون نظام رؤية حاسوبية يُدعى SegSlum يتعلم تمييز المستوطنات غير الرسمية من صور الأقمار الصناعية حيث يمثّل كل بكسل حوالى 60 سنتيمتراً على أرض الواقع. بدلاً من الاعتماد على وسم بشري مُنهك، استخدموا نهجاً «قليل الإشراف»: وضع الخبراء وسوماً بعناية لمجموعة صغيرة نسبياً من الصور — نحو 3% من مجموع بياناتهم — ثم علّم النموذج نفسه على ملايين الصور غير الموسومة. تم ذلك عبر خطوتين رئيسيتين. أولاً، تعلّم نموذج أولي من الأمثلة الموسومة بينما اضطر إلى تجاهل التغيّرات السطحية في الإضاءة أو اللون بين الصور. ثم أنشأ هذا النموذج ملصقات مؤقتة على الصور غير الموسومة؛ أعيد تدريب نموذج ثانٍ فقط على أكثر هذه الملصقات موثوقية، مع ترشيح التخمينات غير المستقرة. سمح ذلك للنظام بالتكيّف مع مدن ومواسم وأجهزة استشعار فضائية مختلفة مع ضبط معدلات الخطأ.

تتبّع التغيّر عبر المدن والسنوات

باستخدام SegSlum، حلّل الفريق ما يقرب من 2.8 مليون قرص صورة فضائية من 12 مدينة كبيرة في أفريقيا وآسيا وأمريكا اللاتينية بين عامي 2014 و2024. أثبت النموذج دقّة عالية، متطابقاً عن كثب مع خرائط أرضية مفصّلة للعشوائيات ومتفوقاً على نماذج خاضعة للإشراف التقليدية. باستخدام هذه الأداة، قدر الباحثون كيف تغيّر نصيب الأراضي الحضرية المغطاة بالعشوائيات مع الزمن، حتى على مستوى كل شهر. خلافاً للإحصاءات العالمية من برنامج الأمم المتحدة للمستوطنات البشرية التي تشير إلى انخفاض بطيء في انتشار العشوائيات، أظهرت النتائج المستندة إلى الأقمار الصناعية زيادة طفيفة إجمالاً في مساحة العشوائيات في هذه المدن على مدار العقد، وارتفاعاً واضحاً في تسع من أصل اثنتي عشرة مدينة خلال فترة إغلاق كوفيد-19. ومن خلال دمج الخرائط مع شبكات السكان وبيانات عن المستشفيات والمدارس والمرافق الأخرى، وجدوا أيضاً أن عدد الأشخاص الذين يعيشون في هذه المناطق ازداد في حين تدهور متوسط الوصول إلى الخدمات الأساسية داخلها.

تأثيرات غير مقصودة لـ «التحسينات»

درست الدراسة أيضاً ما يحدث حول مشروعات تطوير كبرى. في مدينتين — أولان باتور وكيب تاون — أطلقت السلطات برامج تهدف تحديداً إلى ترقية مناطق العشوائيات، مثل استبدال المساكن الهشة بمساكن أكثر متانة أو تجديد الأسقف. أظهرت خرائط SegSlum أنه بينما تحسّنت الأوضاع داخل مواقع المشاريع، توسّعت المستوطنات غير الرسمية المجاورة فعلياً، أحياناً لمسافة عدة كيلومترات بعيداً. يشير ذلك إلى أن الطرق والمرافق والإسكان العام المحسّن قد يجذب سكاناً جدد ذوي دخل منخفض إلى الأطراف المحيطة، مما ينشر اللاформالية بدلاً من القضاء عليها. بالمقابل، لم تظهر مشاريع نقل أو عقارات كبيرة في نيروبي ومومباي، التي لم تهدف إلى مشاركة المنافع مع السكان القائمين، نفس نوع النمو المحلي المتسرب، رغم أنها قد تكون دفعت الناس إلى مناطق أبعد غير مرصودة.

ربط الأسقف بالفقر

بما أن SegSlum ينتج درجة تعكس مدى تشابه منطقة مع المستوطنة غير الرسمية، اختبر المؤلفون ما إذا كانت هذه الدرجات تتوافق مع مقاييس الفقر المستقلة، مثل مسوحات الثروة الوطنية والإحصاءات الرسمية للفقر. في معظم المدن التي كانت فيها مثل هذه البيانات متاحة، ارتبطت درجات العشوائيات ارتباطاً أقوى بالحرمان مقارنة بمؤشرات اقتصادية معتمدة على الأقمار الصناعية مثل أضواء الليل. هذا يعني أنه رغم أن الأسلوب لا يرى كل أبعاد الضيق، إلا أنه يمكن أن يساعد في تمييز الأحياء التي يُحتمل أنها تعاني، داعماً تقييمات ميدانية أكثر تفصيلاً.

ما يعنيه هذا لمدن المستقبل

لغير المتخصصين، الخلاصة الأساسية هي أنه يمكننا الآن استخدام صور الأقمار الصناعية الروتينية وجهد بشري محدود نسبيًا لإنشاء خرائط مفصّلة ومحدّثة بانتظام للمستوطنات غير الرسمية حول العالم. تكشف هذه الخرائط أن مناطق العشوائيات في المدن المدرجة في الدراسة لم تتقلّص وأنها، خلال أزمة كوفيد-19، غالباً ما نمت بينما تقلص الوصول إلى الخدمات. كما تُظهر أن مشاريع الترقية الحسنة النية قد يكون لها آثار جانبية، بنقل الفقر بدلاً من القضاء عليه. ولدى الأسلوب حدود — فهو يرى أساساً ما تكشفه الأسقف والجدران، لا القضايا غير المرئية مثل جودة المياه أو حقوق الإشغال — لكنه يوفّر عدسة قوية جديدة على عدم المساواة الحضرية. إذا استُخدمت بحذر وأخلاقيّة، يمكن لمثل هذه الأدوات أن تساعد المخطّطين والمجتمعات على رصد الأحياء الضعيفة، وتصميم سياسات أكثر شمولية، والتحقق مما إذا كانت استثمارات المدن تحسّن حياة الناس فعلاً بدلاً من مجرد إخفاء المعاناة.

الاستشهاد: Yang, J., Park, S., Kim, H. et al. Minimally supervised learning on sub-meter satellite imagery reveals slum expansion during the COVID-19 pandemic. Commun. Sustain. 1, 52 (2026). https://doi.org/10.1038/s44458-026-00054-6

الكلمات المفتاحية: خرائط العشوائيات, صور الأقمار الصناعية, فقر حضري, التعلم العميق, المستوطنات غير الرسمية