Minimaal begeleid leren op submeter-satellietbeelden onthult uitbreiding van krottenwijken tijdens de COVID-19-pandemie

Waarom schaduwen in steden ertoe doen

Wereldwijd woont honderden miljoenen mensen in dichtbevolkte wijken met kwetsbare woningen en beperkte toegang tot water, sanitaire voorzieningen en diensten. Deze gemeenschappen zijn vaak onzichtbaar in officiële statistieken, waardoor het voor overheden en hulporganisaties moeilijk is om hulp te plannen of de voortgang richting mondiale doelen te volgen. Deze studie laat zien hoe moderne satellietbeelden en kunstmatige intelligentie kunnen onthullen hoe dergelijke nederzettingen over de tijd groeien en veranderen, ook tijdens schokken zoals de COVID-19-pandemie en in reactie op stedelijke herontwikkelingsprojecten.

Verborgen wijken vanuit de ruimte zien

De auteurs richten zich op krottenwijken, oftewel achtergestelde stedelijke nederzettingen, waar bewoners te maken hebben met onzekere huisvesting en beperkte basisvoorzieningen. Traditionele methoden om bewoners van krotten te tellen vertrouwen op huishoudelijke enquêtes, die duur, traag en zelden gedetailleerd genoeg zijn om te laten zien wat er binnen een stad gebeurt. Nieuwe satellieten met hoge resolutie kunnen echter fijne details oppikken, zoals dakvormen, gebouwdichtheid en het dichte doolhof van straatjes dat vaak duidt op informele huisvesting. De uitdaging is om deze stroom van beeldgegevens om te zetten in betrouwbare kaarten op grote schaal zonder jaren te besteden aan handmatig labelen van elke pixel.

Computers leren met zeer weinig voorbeelden

Om dit op te lossen bouwden de onderzoekers een computerzichtsysteem genaamd SegSlum dat leert informele nederzettingen te herkennen op satellietfoto’s waarbij elke pixel ongeveer 60 centimeter op de grond vertegenwoordigt. In plaats van uitputtende menselijke annotatie te vereisen, gebruikten ze een „minimaal begeleide” aanpak: experts labelden zorgvuldig een relatief kleine set beelden—ongeveer 3% van hun volledige dataset—en het model leerde zichzelf vervolgens op miljoenen niet-geëtiketteerde afbeeldingen. Dit gebeurde in twee hoofdfasen. Eerst leerde een initiëel model van de gelabelde voorbeelden terwijl het gedwongen werd oppervlakkige veranderingen in licht of kleur tussen afbeeldingen te negeren. Daarna maakte dit model voorlopige labels op de niet-geëtiketteerde beelden; een tweede model werd alleen opnieuw getraind op de meest betrouwbare van deze labels, waarbij instabiele gissingen werden uitgefilterd. Hierdoor kon het systeem zich aanpassen aan verschillende steden, seizoenen en satellietsensoren terwijl fouten binnen de perken werden gehouden.

Veranderingen volgen door steden en jaren heen

Met SegSlum analyseerde het team bijna 2,8 miljoen satellietbeeldtegels van 12 grote steden in Afrika, Azië en Latijns-Amerika tussen 2014 en 2024. Het model bleek zeer nauwkeurig en kwam sterk overeen met gedetailleerde grondkaarten van krottenwijken en presteerde beter dan meer conventionele volledig begeleide modellen. Met dit instrument konden de onderzoekers schatten hoe het aandeel stedelijk oppervlak dat door krottenwijken werd bedekt in de loop van de tijd veranderde, zelfs maand per maand. In tegenstelling tot wereldwijde statistieken van UN-Habitat, die een langzame daling in krottenwijken suggereren, lieten de satellietgebaseerde resultaten een lichte algemene toename van het krottenareaal in deze steden over het decennium zien, en een duidelijke stijging in negen van de twaalf steden tijdens de COVID-19-lockdownperiode. Door de kaarten te combineren met bevolkingsroosters en gegevens over ziekenhuizen, scholen en andere voorzieningen, vonden ze ook dat meer mensen in deze gebieden woonden terwijl de gemiddelde toegang tot basisvoorzieningen binnen die gebieden verslechterde.

Onbedoelde effecten van “verbeteringen”

De studie onderzocht ook wat er gebeurt rond grootschalige ontwikkelingsprojecten. In twee steden—Ulaanbaatar en Kaapstad—startten autoriteiten programma’s gericht op het verbeteren van krottenwijken, bijvoorbeeld door kwetsbare woningen te vervangen door steviger onderkomen of daken te renoveren. De kaarten van SegSlum toonden aan dat hoewel de omstandigheden binnen projectlocaties verbeterden, nabijgelegen informele nederzettingen daadwerkelijk uitbreidden, soms tot meerdere kilometers verderop. Dit suggereert dat betere wegen, nutsvoorzieningen en sociale huisvesting nieuwe lage-inkomensbewoners naar de omliggende randen kunnen aantrekken, waardoor informaliteit zich uitbreidt in plaats van verdwijnt. In tegenstelling hiermee lieten grote transport- of vastgoedprojecten in Nairobi en Mumbai die niet gericht waren op het delen van voordelen met bestaande bewoners niet hetzelfde soort lokale overspilleffecten zien, hoewel zij mensen mogelijk naar verder weg gelegen, niet-waargenomen gebieden hebben geduwd.

Daken koppelen aan armoede

Aangezien SegSlum een score oplevert voor hoe sterk een gebied eruitziet als een informele nederzetting, testten de auteurs of deze scores overeenkomen met onafhankelijke armoedematen, zoals nationale welvaartsenquêtes en officiële armoedetellingen. In de meeste steden waar dergelijke data beschikbaar waren, correleerden de krottenscores sterker met ontbering dan veelgebruikte satellietgebaseerde economische indicatoren zoals nachtelijke verlichting. Dit betekent dat, hoewel de methode niet elke dimensie van ontbering kan zien, ze wel kan helpen wijken te signaleren die waarschijnlijk moeite hebben, en zo meer gedetailleerde veldbeoordelingen kan ondersteunen.

Wat dit betekent voor toekomstige steden

Voor niet-specialisten is de belangrijkste conclusie dat we nu routinematig satellietbeelden en relatief beperkte menselijke inspanning kunnen gebruiken om gedetailleerde, regelmatig bijgewerkte kaarten van informele nederzettingen wereldwijd te maken. Deze kaarten tonen aan dat krottenwijken in de bestudeerde steden niet zijn gekrompen en dat ze tijdens de COVID-19-crisis vaak groeiden terwijl de toegang tot voorzieningen afnam. Ze laten ook zien dat zelfs goedbedoelde verbeteringsprojecten bijwerkingen kunnen hebben, waardoor armoede verschuift in plaats van verdwijnt. Hoewel de methode beperkingen heeft—ze ziet vooral wat daken en muren onthullen, niet onzichtbare kwesties zoals waterkwaliteit of verblijfsrechten—biedt ze een krachtig nieuw perspectief op stedelijke ongelijkheid. Bij zorgvuldig en ethisch gebruik kunnen dergelijke instrumenten planners en gemeenschappen helpen kwetsbare wijken te monitoren, inclusievere beleidsmaatregelen te ontwerpen en te controleren of stedelijke investeringen het leven echt verbeteren in plaats van problemen uit het zicht te verplaatsen.

Bronvermelding: 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

Trefwoorden: krottenkartografie, satellietbeelden, stedelijke armoede, deep learning, informele nederzettingen