Minimal überwachtes Lernen auf submetrischen Satellitenbildern zeigt Ausdehnung von Slums während der COVID‑19‑Pandemie

Warum Stadtschatten wichtig sind

Weltweit leben Hunderte Millionen Menschen in dicht bebauten Vierteln mit fragilen Behausungen und schlechtem Zugang zu Wasser, sanitären Anlagen und Dienstleistungen. Diese Gemeinschaften sind in offiziellen Statistiken oft unsichtbar, wodurch es Regierungen und Hilfsorganisationen schwerfällt, Unterstützung zu planen oder Fortschritte bei globalen Zielen zu verfolgen. Diese Studie zeigt, wie moderne Satellitenbilder und Künstliche Intelligenz offenlegen können, wie solche Siedlungen wachsen und sich über die Zeit verändern — auch während Schocks wie der COVID‑19‑Pandemie und als Reaktion auf städtische Umstrukturierungsprojekte.

Verborgene Viertel aus dem All sehen

Die Autorinnen und Autoren konzentrieren sich auf Slums, also benachteiligte städtische Siedlungen, in denen Bewohner unsicheren Wohnraum und nur eingeschränkten Zugang zu grundlegenden Diensten haben. Traditionelle Methoden zur Erfassung von Slum‑Bewohnern beruhen auf Haushaltsbefragungen, die teuer, langsam und selten ausreichend detailliert sind, um innerstädtische Entwicklungen abzubilden. Neue hochauflösende Satelliten hingegen erfassen feine Details wie Dachformen, Gebäudedichte und das enge Straßengeflecht, die oft informellen Wohnungsbau signalisieren. Die Herausforderung besteht darin, diese Flut an Bilddaten in verlässliche, großflächige Karten zu verwandeln, ohne Jahre mit manueller Pixelbeschriftung zu verbringen.

Computer mit sehr wenigen Beispielen beibringen

Um das zu lösen, entwickelten die Forschenden ein Computer‑Vision‑System namens SegSlum, das informelle Siedlungen auf Satellitenfotos erkennt, bei denen jeder Pixel etwa 60 Zentimeter am Boden entspricht. Anstatt umfassende menschliche Kennzeichnungen zu verlangen, nutzten sie einen „minimal überwachten“ Ansatz: Expertinnen und Experten beschrifteten eine relativ kleine Menge an Bildern — etwa 3 % des vollständigen Datensatzes — und das Modell lernte anschließend selbstständig an Millionen unbeschrifteter Bilder. Dies geschah in zwei Hauptschritten. Zuerst lernte ein Anfangsmodell aus den beschrifteten Beispielen, wobei es gezwungen wurde, oberflächliche Änderungen bei Beleuchtung oder Farbe zwischen Bildern zu ignorieren. Dann erzeugte dieses Modell vorläufige Beschriftungen für die unbeschrifteten Bilder; ein zweites Modell wurde nur mit den zuverlässigsten dieser Labels erneut trainiert, wobei instabile Vermutungen herausgefiltert wurden. So konnte sich das System an unterschiedliche Städte, Jahreszeiten und Satellitensensoren anpassen und gleichzeitig Fehler begrenzen.

Veränderungen über Städte und Jahre verfolgen

Mithilfe von SegSlum analysierte das Team fast 2,8 Millionen Satellitenbild‑Kacheln aus 12 großen Städten in Afrika, Asien und Lateinamerika zwischen 2014 und 2024. Das Modell erwies sich als sehr genau, deckte sich eng mit detaillierten Boden‑Karten von Slums und übertraf konventionellere überwachte Modelle. Mit diesem Werkzeug konnten die Forschenden abschätzen, wie sich der Anteil städtischer Flächen, der von Slums bedeckt ist, über die Zeit verändert hat — sogar monatlich. Im Gegensatz zu globalen Statistiken von UN‑Habitat, die einen langsamen Rückgang der Slum‑Verbreitung nahelegen, zeigten die satellitenbasierten Ergebnisse einen leichten Gesamanstieg der Slumfläche in diesen Städten über das Jahrzehnt hinweg und einen deutlichen Anstieg in neun von zwölf Städten während der COVID‑19‑Lockdown‑Phase. Durch die Kombination der Karten mit Bevölkerungsrastern und Daten zu Krankenhäusern, Schulen und anderen Einrichtungen fanden sie außerdem, dass mehr Menschen in diesen Gebieten lebten, während der durchschnittliche Zugang zu grundlegenden Dienstleistungen dort schlechter wurde.

Unbeabsichtigte Effekte von „Verbesserungen“

Die Studie untersuchte auch, was rund um große Entwicklungsprojekte passiert. In zwei Städten — Ulaanbaatar und Kapstadt — starteten Behörden Programme, die gezielt auf die Aufwertung von Slumgebieten abzielten, etwa durch den Ersatz fragiler Behausungen durch stabilere Unterkünfte oder die Renovierung von Dächern. SegSlum‑Karten zeigten, dass sich die Bedingungen innerhalb der Projektgebiete verbesserten, umliegende informelle Siedlungen jedoch tatsächlich ausdehnten, manchmal bis zu mehreren Kilometern entfernt. Das deutet darauf hin, dass bessere Straßen, Versorgungseinrichtungen und sozialer Wohnungsbau neue einkommensschwache Bewohner an den Rand ziehen können und so Informalität verteilen statt beseitigen. Im Gegensatz dazu zeigten große Verkehrs‑ oder Immobilienprojekte in Nairobi und Mumbai, die nicht darauf abzielten, Anwohnern Vorteile zukommen zu lassen, nicht denselben lokalen Spillover‑Wachstumseffekt, obwohl sie Menschen möglicherweise in weiter entfernte, nicht beobachtete Gebiete verdrängten.

Dächer mit Armut verknüpfen

Da SegSlum eine Bewertung dafür liefert, wie stark ein Gebiet wie eine informelle Siedlung aussieht, prüften die Autorinnen und Autoren, ob diese Scores mit unabhängigen Armutsmessungen übereinstimmen, etwa nationalen Vermögensumfragen und offiziellen Armutszahlen. In den meisten Städten, für die solche Daten verfügbar waren, korrelierten die Slum‑Scores stärker mit Entbehrung als weithin genutzte satellitenbasierte ökonomische Indikatoren wie nächtliche Lichter. Das bedeutet, dass die Methode zwar nicht jede Dimension von Not erfasst, sie aber dabei helfen kann, Viertel zu identifizieren, die wahrscheinlich kämpfen, und so detailliertere lokale Erhebungen zu unterstützen.

Was das für zukünftige Städte bedeutet

Für Nicht‑Spezialisten lautet die zentrale Erkenntnis, dass wir nun routinemäßige Satellitenbilder und vergleichsweise geringen menschlichen Aufwand nutzen können, um detaillierte, regelmäßig aktualisierte Karten informeller Siedlungen weltweit zu erstellen. Diese Karten zeigen, dass Slumflächen in den untersuchten Städten nicht geschrumpft sind und dass sie während der COVID‑19‑Krise oft wuchsen, während der Zugang zu Dienstleistungen sank. Sie zeigen auch, dass selbst gutgemeinte Aufwertungsprojekte Nebenwirkungen haben können, indem sie Armut verlagern statt beseitigen. Während die Methode Grenzen hat — sie sieht hauptsächlich, was Dächer und Wände verraten, nicht unsichtbare Probleme wie Wasserqualität oder Landrechte — bietet sie eine wirkungsvolle neue Perspektive auf städtische Ungleichheit. Sorgfältig und ethisch eingesetzt, könnten solche Werkzeuge Planerinnen und Planern sowie Gemeinden helfen, gefährdete Viertel zu überwachen, inklusivere Politiken zu entwerfen und zu prüfen, ob kommunale Investitionen das Leben wirklich verbessern, statt Not nur aus dem Blickfeld zu verschieben.

Zitation: 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

Schlüsselwörter: Slumkartierung, Satellitenbilder, städtische Armut, Deep Learning, informelle Siedlungen