Nauczanie przy minimalnym nadzorze na obrazach satelitarnych o rozdzielczości podmetrowej ujawnia ekspansję slumsów podczas pandemii COVID-19

Dlaczego cienie miast mają znaczenie

Na całym świecie setki milionów ludzi mieszkają w zatłoczonych dzielnicach z kruchej konstrukcji domami oraz słabym dostępem do wody, sanitariatów i usług. Te społeczności często są niewidoczne w oficjalnych statystykach, co utrudnia rządom i organizacjom pomocowym planowanie wsparcia lub śledzenie postępów w realizacji globalnych celów. Badanie pokazuje, jak nowoczesne zdjęcia satelitarne i sztuczna inteligencja mogą wykrywać, jak takie osiedla rosną i zmieniają się w czasie, także podczas wstrząsów takich jak pandemia COVID-19 czy w reakcji na projekty przebudowy miast.

Widzenie ukrytych dzielnic z kosmosu

Autorzy koncentrują się na slumsach, czyli zaniedbanych osiedlach miejskich, gdzie mieszkańcy borykają się z niepewnym mieszkaniem i ograniczonym dostępem do podstawowych usług. Tradycyjne sposoby liczenia mieszkańców slumsów opierają się na badaniach gospodarstw domowych, które są kosztowne, powolne i rzadko wystarczająco szczegółowe, by pokazać, co dzieje się wewnątrz miasta. Nowe satelity o wysokiej rozdzielczości potrafią jednak wychwycić drobne szczegóły, takie jak kształty dachów, gęstość zabudowy i ciasny labirynt ulic, które często wskazują na nieformalne zabudowania. Wyzwanie polega na przekształceniu tego napływu danych obrazowych w rzetelne mapy na dużą skalę bez wieloletniego ręcznego oznaczania każdego piksela.

Nauczanie komputerów przy bardzo małej liczbie przykładów

Aby to rozwiązać, badacze stworzyli system widzenia komputerowego o nazwie SegSlum, który uczy się rozpoznawać osiedla nieformalne ze zdjęć satelitarnych, gdzie każdy piksel odpowiada około 60 centymetrom na ziemi. Zamiast wymagać wyczerpującego oznaczania przez ludzi, zastosowali podejście „minimalnie nadzorowane”: eksperci starannie oznaczyli stosunkowo mały zestaw obrazów — około 3% całego zbioru danych — a model następnie uczył się samodzielnie na milionach nieoznaczonych obrazów. Odbywało się to w dwóch głównych krokach. Najpierw model początkowy uczył się na oznaczonych przykładach, przy czym zmuszano go do ignorowania powierzchownych zmian oświetlenia czy koloru między zdjęciami. Potem model ten tworzył wstępne etykiety na obrazach nieoznaczonych; drugi model był trenowany ponownie jedynie na najbardziej wiarygodnych z nich, odfiltrowując niestabilne przypuszczenia. Pozwoliło to systemowi dostosować się do różnych miast, pór roku i sensorów satelitarnych, jednocześnie ograniczając błędy.

Śledzenie zmian w miastach i w czasie

Wykorzystując SegSlum, zespół przeanalizował niemal 2,8 miliona kafelków zdjęć satelitarnych z 12 dużych miast w Afryce, Azji i Ameryce Łacińskiej w latach 2014–2024. Model okazał się wysoce dokładny, ściśle pokrywając się ze szczegółowymi mapami gruntowymi slumsów i przewyższając bardziej konwencjonalne modele nadzorowane. Dzięki temu narzędziu badacze mogli oszacować, jak udział terenu miejskiego zajmowanego przez slumsy zmieniał się w czasie, nawet miesiąc po miesiącu. Wbrew globalnym statystykom UN-Habitat, które sugerują powolny spadek występowania slumsów, wyniki oparte na satelitach wykazały niewielki ogólny wzrost powierzchni slumsów w tych miastach w ciągu dekady oraz wyraźny wzrost w dziewięciu z dwunastu miast w czasie lockdownów związanych z COVID-19. Łącząc mapy z siatkami populacji oraz danymi o szpitalach, szkołach i innych obiektach, odkryli też, że więcej osób mieszkało w tych obszarach, podczas gdy średni dostęp do podstawowych usług tam się pogorszył.

Niezamierzone skutki „ulepszeń”

Badanie przyjrzało się także temu, co dzieje się wokół dużych projektów rozwojowych. W dwóch miastach — Ułan Bator i Kapsztad — władze rozpoczęły programy mające na celu modernizację obszarów slumsowych, na przykład poprzez zastępowanie kruchych domów trwalszymi mieszkaniami lub remont dachów. Mapy SegSlum pokazały, że choć warunki poprawiły się wewnątrz obszarów realizacji projektów, pobliskie nieformalne osiedla faktycznie się rozszerzyły, czasem na odległość kilku kilometrów. Sugeruje to, że lepsze drogi, media i mieszkania komunalne mogą przyciągać nowych mieszkańców o niskich dochodach na otaczające obrzeża, rozszerzając nieformalność zamiast ją eliminować. Dla kontrastu, duże projekty transportowe lub nieruchomościowe w Nairobi i Bombaju, które nie miały na celu dzielenia korzyści z istniejącymi mieszkańcami, nie wykazały takiego lokalnego efektu rozlewu, choć mogły przesunąć ludzi do bardziej odległych, nieobserwowanych miejsc.

Łączenie dachów z ubóstwem

Ponieważ SegSlum generuje wynik określający, na ile obszar przypomina osiedle nieformalne, autorzy sprawdzili, czy te wyniki pokrywają się z niezależnymi miarami ubóstwa, takimi jak krajowe badania majątku i oficjalne liczniki ubóstwa. W większości miast, dla których takie dane były dostępne, wskaźniki slumsów korelowały silniej z deprywacją niż powszechnie stosowane satelitarne wskaźniki ekonomiczne, np. nocturnalne światła. Oznacza to, że chociaż metoda nie widzi wszystkich wymiarów trudności, może pomóc zidentyfikować dzielnice, które prawdopodobnie borykają się z problemami, wspierając bardziej szczegółowe oceny terenowe.

Co to oznacza dla przyszłych miast

Dla osób niebędących specjalistami kluczowe wnioski są takie: teraz możemy używać rutynowych obrazów satelitarnych i stosunkowo niewielkiego wkładu ludzkiego, aby tworzyć szczegółowe, regularnie aktualizowane mapy osiedli nieformalnych na całym świecie. Mapy te pokazują, że obszary slumsowe w badanych miastach nie kurczyły się, a w czasie kryzysu COVID-19 często rosły przy jednoczesnym pogorszeniu dostępu do usług. Wskazują też, że nawet dobrze intencjonowane projekty modernizacyjne mogą mieć skutki uboczne, przesuwając ubóstwo zamiast je eliminować. Choć metoda ma ograniczenia — widzi głównie to, co odsłaniają dachy i ściany, a nie niewidoczne kwestie jak jakość wody czy prawa do użytkowania ziemi — oferuje potężną nową perspektywę na nierówności miejskie. Stosowana ostrożnie i etycznie, może pomóc planistom i społecznościom monitorować zagrożone dzielnice, projektować bardziej inkluzywne polityki i sprawdzać, czy miejskie inwestycje naprawdę poprawiają życie, zamiast tylko przenosić trudności poza zasięg wzroku.

Cytowanie: 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

Słowa kluczowe: mapowanie slumsów, obrazy satelitarne, ubóstwo miejskie, uczenie głębokie, osiedla nieformalne