למידה במינימום פיקוח על תמונות לווין ברזולוציה תת-מטרית חושפת התרחבות עוני בשכונות צפופות במהלך מגפת COVID-19

מדוע צללי העיר חשובים

באזורים רבים בעולם חיים מאות מיליוני אנשים בשכונות צפופות עם בתים רעועים וגישה לקויה למים, תברואה ושירותים בסיסיים. קהילות אלה לעתים קרובות בלתי נראות בסטטיסטיקות הרשמיות, מה שמקשה על ממשלות וארגוני סיוע לתכנן תמיכה או לעקוב אחר התקדמות כלפי מטרות גלובליות. המחקר הזה מראה כיצד תמונות לווין מודרניות ובינה מלאכותית יכולות לחשוף כיצד התיישבויות כאלה גדלות ומשתנות לאורך זמן, כולל בתקופות זעזועים כמו מגפת COVID-19 ובתגובה לפרויקטים של פיתוח עירוני.

לזהות שכונות חבויות מהחלל

המחברים מתמקדים בשכונות עוני או בהתיישבויות עירוניות מוחלשות, שבהן התושבים מתמודדים עם דיור לא בטוח ושירותים בסיסיים מוגבלים. שיטות מסורתיות לספירת תושבי שכונות עוני מבוססות על סקרי משקי בית, היקרים, האיטיים ולעתים רחוקות מפורטים מספיק כדי להראות מה קורה בתוך עיר. עם זאת, לוויינים חדשים ברזולוציה גבוהה יכולים לקלוט פרטים דקים כמו צורת הגגות, צפיפות המבנים ומבוך הרחובות הצפוף שמרמז לעתים קרובות על דיור לא פורמלי. האתגר הוא להפוך הצפה של נתוני תמונה אלה למפות אמינות בקנה מידה גדול בלי להשקיע שנים בתיוג ידני של כל פיקסל.

להדריך מחשבים עם דוגמאות מועטות מאוד

כדי לפתור זאת, החוקרים בנו מערכת ראייה ממוחשבת בשם SegSlum שלומדת לזהות התיישבויות לא פורמליות מתמונות לווין שבהן כל פיקסל מייצג כ-60 סנטימטרים על הקרקע. במקום לדרוש תיוג אנושי מקיף, הם השתמשו בגישה "מינימלית בפיקוח": מומחים תייגו בקפידה קבוצת תמונות יחסית קטנה — כ-3% מהמאגר המלא — והמודל לימד את עצמו על מיליוני תמונות שאינן מתוייגות. זה נעשה בשני שלבים עיקריים. ראשית, מודל ראשוני למד מהדוגמאות המתויגות תוך שהוא מוכרח להתעלם משינויים שטחיים בתאורה או בצבע בין תמונות. לאחר מכן מודל זה יצר תיוגים מוקדמים על התמונות הבלתי מתוייגות; מודל שני הוכשר מחדש רק על התיוגים האמינים ביותר, שסיננו השערות לא יציבות. גישה זו אפשרה למערכת להסתגל לערים שונות, עונות ושורות לווין משתנות תוך שמירה על טעויות במידת האפשר.

מעקב שינויים בין ערים ושנים

באמצעות SegSlum ניתחו החוקרים כמעט 2.8 מיליון אריחי תמונה לווין מ-12 ערים גדולות באפריקה, אסיה ואמריקה הלטינית בין השנים 2014 ל־2024. המודל הוכיח דיוק גבוה, התאמה צמודה למפות קרקע מפורטות של שכונות העוני ובהשוואה עדיף על מודלים מפוקחים מסורתיים יותר. עם כלי זה יכלו החוקרים להעריך כיצד חלק הקרקע העירונית המכוסה בשכונות עוני השתנה לאורך הזמן, אפילו חודש לחודש. בניגוד לסטטיסטיקות גלובליות של UN-Habitat, שמרמזות על ירידה איטית בשכיחות השכונות העוני, התוצאות המבוססות לווין הראו עלייה קטנה כוללת בשטח השכונות בעשורים אלה, ועל עלייה ברורה בתשע מתוך שתים עשרה ערים בתקופת הסגרים של COVID-19. בשילוב המפות עם רשתות אוכלוסייה ונתונים על בתי חולים, בתי ספר ושירותים אחרים, נמצא גם כי יותר אנשים חיו באזורים אלה בעוד שהגישה הממוצעת לשירותים הבסיסיים בהם הידרדרה.

השפעות לא מכוונות של "שיפורים"

המחקר בדק גם מה קורה סביב פרויקטים גדולים של פיתוח. בשתי ערים — אולן בטור ובקייפטאון — הרשויות השיקו תוכניות שמטרתן לשדרג אזורי עוני, למשל על ידי החלפת בתים רעועים בבתים יציבים יותר או שיפוץ גבסים. המפות של SegSlum הראו שבזמן שהתנאים השתפרו בתוך שטחי הפרויקטים, ההתיישבויות הלא פורמליות הסמוכות התרחבו בפועל, לעתים עד כמה קילומטרים מהן. הדבר מרמז כי דרכים טובות יותר, תשתיות ודיור ציבורי יכולים למשוך תושבים חדשים בעלי הכנסות נמוכות לשולי האזור, ולהרחיב את הבלתי פורמליות במקום לבטלה. לעומת זאת, פרויקטים גדולים בתחבורה או בנדל"ן בניירובי ומומבאי שלא כוונו לחלוק יתרונות עם תושבים קיימים לא הראו את סוג ההתרחבות המקומית הזה, אם כי יתכן שהם דחפו אנשים לאזורים מרוחקים יותר שאינם נצפו.

קישור בין גגות לעוני

מכיוון ש-SegSlum מפיקה ציון למידת הדמיון של אזור להתיישבות לא פורמלית, החוקרים בדקו האם ציונים אלה מתיישבים עם מדדים עצמאיים של עוני, כגון סקרי עושר לאומיים וספירות עוני רשמיות. ברוב הערים שבהן נתונים כאלה היו זמינים, ציוני השכונות עמדו בקורלציה חזקה יותר עם חוסר כלכלי מאשר מדדי כלכלה מבוססי לווין נפוצים כמו אורות הלילה. משמעות הדבר היא שלמרות שהשיטה אינה רואה כל היבט של מצוקה, היא יכולה לסייע לסמן שכונות שקרוב לוודאי נאבקות, ובכך לתמוך בהערכות מפורטות יותר בשטח.

מה המשמעות לעתיד הערים

ללא מומחים, המסקנה המרכזית היא שעכשיו אפשר להשתמש בתמונות לווין שגרתיות ומאמץ אנושי יחסית מועט כדי ליצור מפות מפורטות ומתעדכנות באופן שוטף של התיישבויות לא פורמליות ברחבי העולם. המפות הללו מראות שהאזורים העוני בערים שנחקרו לא הצטמצמו, ובתקופת משבר COVID-19 הם לעתים קרובות גדלו בעוד שהגישה לשירותים ירדה. הן גם ממחישות שעבודות שדרוג שנועדו לטובה יכולות לגרום להשפעות לוואי, להזיז עוני במקום לחסלו. לשיטה יש מגבלות — היא בעיקר רואה מה הגגות והקירות חושפים, לא סוגיות בלתי נראות כמו איכות מים או זכויות חכירה — אך היא מציעה עדשה עוצמתית חדשה לאי־שוויון עירוני. בשימוש זהיר ואתי, כלים כאלה יכולים לעזור לתכננים ולקהילות לעקוב אחרי שכונות פגיעות, לעצב מדיניות מכילה יותר ולבדוק האם השקעות עירוניות באמת משפרות חיים במקום רק להזיז את הקושי מחוץ לטווח הראייה.

ציטוט: 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

מילות מפתח: מיפוי שכונות עוני, תמונות לווין, עוני עירוני, למידה עמוקה, התיישבויות לא פורמליות