準監視学習を用いたサブメートル衛星画像解析がCOVID-19パンデミック期のスラム拡大を明らかにする

なぜ都市の影が重要なのか

世界中で数億人が過密な地区に住み、脆弱な住居や水・衛生・サービスへの不十分なアクセスに直面しています。こうしたコミュニティは公式統計にしばしば現れず、政府や支援団体が支援を計画したり、グローバル目標への進捗を把握したりするのを難しくします。本研究は、最新の衛星画像と人工知能を用いることで、こうした集落がどのように成長・変化するかを、COVID-19パンデミックなどのショックや都市再開発プロジェクトへの反応を含めて明らかにできることを示します。

宇宙（衛星）から見える隠れた近隣

著者らはスラム、つまり住居が不安定で基本サービスが限られた都市の貧困地域に着目します。従来のスラム人口の把握は世帯調査に依存しており、費用と時間がかかり、都市内部で何が起きているかを詳細に示すことはめったにありません。一方で高解像度の新しい衛星は屋根の形状、建物密度、狭い路地の迷路といった非公式な居住の兆候となる細部を捉えられます。課題は、この大量の画像データを、人手で全ピクセルを何年もかけてラベル付けせずに、信頼できる大規模な地図に変換することです。

ごく少ない例でコンピュータに教える

これを解決するために研究者らはSegSlumと呼ばれるコンピュータビジョンシステムを構築しました。これは地上の1ピクセルがおよそ60センチメートルを表す衛星写真から非公式集落を識別するものです。徹底的な人手によるラベル付けを要する代わりに、彼らは「準監視（minimally supervised）」アプローチを採用しました。専門家がデータセット全体の約3%に相当する比較的小さな画像群に注意深くラベルを付け、それ以外の何百万もの無ラベル画像でモデルが自己学習する仕組みです。手順は主に二段階でした。まず初期モデルがラベル付き例から学びつつ、画像間の照明や色の表面的な変化を無視するよう訓練されます。次にそのモデルが無ラベル画像に暫定的なラベルを付与し、二番目のモデルがその中で最も信頼できるものだけを再学習して、不安定な推定を除外します。これにより、都市や季節、衛星センサーの違いに適応しつつ誤りを抑えることができました。

都市と年をまたいだ変化の追跡

SegSlumを用いて、研究チームは2014年から2024年までの間にアフリカ、アジア、ラテンアメリカの12大都市から得た約280万枚の衛星画像タイルを解析しました。モデルは高い精度を示し、詳細な現地地図と密接に一致し、従来の監視学習モデルを上回りました。このツールにより、研究者らは都市部におけるスラムが占める土地比率が月単位でどのように変化したかを推定できました。国連人間居住計画（UN-Habitat）の緩やかな減少を示す世界統計とは対照的に、衛星ベースの結果はこの10年で対象都市におけるスラム面積がわずかに増加し、COVID-19ロックダウン期間には12都市中9都市で明確な増加が見られることを示しました。これらの地図を人口グリッドや病院・学校などの施設データと組み合わせることで、これらの地域に住む人が増える一方で、内部の基本サービスへの平均的なアクセスが悪化していることも示されました。

「改善」の意図しない効果

研究は主要な開発プロジェクト周辺で何が起きるかも調べました。ウランバートルとケープタウンの2都市では、脆弱な住宅を強固な住宅に置き換えたり屋根を改修したりといったスラム改良を目的としたプログラムが行われました。SegSlumの地図は、プロジェクト実施地内では状況が改善した一方で、近隣の非公式集落は拡大し、場合によっては数キロメートル先まで広がったことを示しました。これは良好な道路や公共インフラ、公共住宅が周辺の低所得者を引き寄せ、非公式性を広げてしまう可能性を示唆します。対照的に、ナイロビやムンバイでの、既存住民に便益を分配することを目的としない大規模交通・不動産プロジェクトでは同様の局所的な拡散成長は見られませんでしたが、より遠方の観測されていない地域へ住民が押し出された可能性は残ります。

屋根を貧困に結びつける

SegSlumは地域がどれだけ非公式集落らしく見えるかのスコアを生成するため、著者らはこれらのスコアが国の資産調査や公式の貧困人口数のような独立した貧困指標と一致するかを検証しました。利用可能なデータがある多くの都市では、スラムスコアは夜間照明などの一般的に使われる衛星ベースの経済指標よりも欠乏との相関が強いことがわかりました。これは、本手法が困難のすべての側面を見抜けるわけではないにせよ、苦境にある可能性が高い地区を示す旗印として、現地での詳細な評価を支援できることを意味します。

将来の都市にとっての意味

専門外の読者にとっての重要な結論は、日常的な衛星画像と比較的少ない人的労力で、世界中の非公式集落の詳細な定期更新地図を作成できるようになったことです。これらの地図は、研究対象の都市でスラム地域が縮小していないこと、COVID-19危機の間にしばしば拡大しつつサービスへのアクセスが低下したことを明らかにします。また、十分に意図された改良プロジェクトであっても副作用があり、貧困を消すのではなく移動させてしまうことがあると示しています。本手法には限界があり—主に屋根や壁が示すものを見るにとどまり、水質や土地権など目に見えない問題は捉えられません—が、都市的不平等を捉える強力な新しい視点を提供します。慎重かつ倫理的に使えば、こうしたツールは計画者やコミュニティが脆弱な近隣を監視し、より包括的な政策を設計し、都市投資が生活を実際に改善しているかどうかを確認するのに役立つでしょう。

引用: 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

キーワード: スラムマッピング, 衛星画像, 都市の貧困, ディープラーニング, 非公式集落