Aprendizaje mínimamente supervisado en imágenes satelitales de submetro revela la expansión de barrios marginales durante la pandemia de COVID-19

Por qué importan las sombras de la ciudad

En todo el mundo, cientos de millones de personas viven en vecindarios densamente poblados con viviendas frágiles y acceso deficiente a agua, saneamiento y servicios. Estas comunidades suelen ser invisibles en las estadísticas oficiales, lo que dificulta que gobiernos y organizaciones humanitarias planifiquen apoyos o sigan el progreso hacia objetivos globales. Este estudio muestra cómo las imágenes satelitales modernas y la inteligencia artificial pueden revelar cómo esos asentamientos crecen y cambian con el tiempo, incluso durante choques como la pandemia de COVID-19 y en respuesta a proyectos de reurbanización.

Ver vecindarios ocultos desde el espacio

Los autores se centran en los barrios marginales, o asentamientos urbanos desfavorecidos, donde los residentes enfrentan inseguridad de la vivienda y servicios básicos limitados. Las formas tradicionales de contar a los habitantes de barrios marginales dependen de encuestas domiciliarias, que son caras, lentas y rara vez lo bastante detalladas para mostrar lo que ocurre dentro de una ciudad. Sin embargo, los nuevos satélites de alta resolución pueden captar detalles finos como la forma de los tejados, la densidad de edificaciones y el entramado estrecho de calles que a menudo señalan vivienda informal. El desafío es convertir este aluvión de datos de imagen en mapas fiables a gran escala sin pasar años etiquetando manualmente cada píxel.

Enseñar a las computadoras con muy pocos ejemplos

Para resolverlo, los investigadores construyeron un sistema de visión por computadora llamado SegSlum que aprende a reconocer asentamientos informales a partir de fotos satelitales donde cada píxel representa unos 60 centímetros en el terreno. En lugar de exigir un etiquetado humano exhaustivo, utilizaron un enfoque “mínimamente supervisado”: expertos etiquetaron cuidadosamente un conjunto relativamente pequeño de imágenes —alrededor del 3 % de su conjunto completo— y el modelo luego se autoentrenó con millones de imágenes no etiquetadas. Lo hizo en dos pasos principales. Primero, un modelo inicial aprendió de los ejemplos etiquetados mientras se le obligaba a ignorar cambios superficiales de iluminación o color entre imágenes. Luego, ese modelo generó etiquetas tentativas sobre las imágenes no etiquetadas; un segundo modelo se reentrenó solo con las más fiables de esas etiquetas, filtrando conjeturas inestables. Esto permitió que el sistema se adaptara a distintas ciudades, estaciones y sensores satelitales, manteniendo los errores bajo control.

Rastreando cambios entre ciudades y años

Usando SegSlum, el equipo analizó cerca de 2,8 millones de mosaicos de imágenes satelitales de 12 grandes ciudades de África, Asia y América Latina entre 2014 y 2024. El modelo demostró ser muy preciso, alineándose estrechamente con mapas detallados de campo y superando a modelos supervisados más convencionales. Con esta herramienta, los investigadores pudieron estimar cómo cambió, incluso mes a mes, la proporción de terreno urbano cubierto por barrios marginales. Contrariamente a las estadísticas globales de ONU-Hábitat, que sugieren una lenta disminución de la prevalencia de barrios marginales, los resultados basados en satélite mostraron un ligero aumento general del área marginal en estas ciudades durante la década, y un repunte claro en nueve de las doce ciudades durante el periodo de confinamientos por COVID-19. Al combinar los mapas con cuadrículas de población y datos sobre hospitales, escuelas y otras instalaciones, también encontraron que más personas vivían en estas áreas mientras el acceso medio a servicios básicos dentro de ellas empeoraba.

Efectos no deseados de las “mejoras”

El estudio también examinó lo que ocurre alrededor de grandes proyectos de desarrollo. En dos ciudades —Ulán Bator y Ciudad del Cabo— las autoridades lanzaron programas específicamente destinados a mejorar zonas marginales, por ejemplo reemplazando viviendas frágiles por alojamientos más sólidos o renovando tejados. Los mapas de SegSlum mostraron que, mientras las condiciones mejoraban dentro de los sitios de proyecto, los asentamientos informales cercanos en realidad se expandieron, a veces hasta varios kilómetros de distancia. Esto sugiere que mejores carreteras, servicios públicos y vivienda pública pueden atraer a nuevos residentes de bajos ingresos a la periferia circundante, expandiendo la informalidad en lugar de eliminarla. En contraste, grandes proyectos de transporte o inmobiliarios en Nairobi y Bombay que no pretendían compartir beneficios con residentes existentes no mostraron el mismo tipo de crecimiento local por efecto derrame, aunque podrían haber empujado a personas a áreas más lejanas y no observadas.

Relacionar tejados con pobreza

Porque SegSlum produce una puntuación de cuán fuertemente una zona parece un asentamiento informal, los autores probaron si esas puntuaciones se alinean con medidas independientes de pobreza, como encuestas nacionales de riqueza y conteos oficiales de pobreza. En la mayoría de las ciudades donde dichos datos estaban disponibles, las puntuaciones de barrios marginales se correlacionaron más fuertemente con la privación que indicadores económicos basados en satélite ampliamente usados, como las luces nocturnas. Esto significa que, aunque el método no puede ver todas las dimensiones de la precariedad, puede ayudar a señalar vecindarios probablemente en apuros, apoyando evaluaciones más detalladas sobre el terreno.

Qué significa esto para las ciudades del futuro

Para no especialistas, la conclusión clave es que ahora podemos usar imágenes satelitales de rutina y un esfuerzo humano relativamente ligero para crear mapas detallados y actualizados con regularidad de asentamientos informales en todo el mundo. Esos mapas revelan que las zonas marginales en las ciudades estudiadas no se han reducido y que, durante la crisis de COVID-19, a menudo crecieron mientras el acceso a servicios disminuía. También muestran que incluso proyectos de mejora bien intencionados pueden tener efectos secundarios, desplazando la pobreza en lugar de erradicarla. Si bien el método tiene límites —principalmente percibe lo que revelan tejados y paredes, no cuestiones invisibles como la calidad del agua o los derechos de tenencia— ofrece una nueva y poderosa lente sobre la desigualdad urbana. Usadas con cuidado y ética, tales herramientas podrían ayudar a planificadores y comunidades a monitorizar vecindarios vulnerables, diseñar políticas más inclusivas y comprobar si las inversiones urbanas realmente mejoran vidas en vez de simplemente ocultar la privación.

Cita: 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

Palabras clave: mapeo de barrios marginales, imágenes satelitales, pobreza urbana, aprendizaje profundo, asentamientos informales