Aprendizado minimamente supervisionado em imagens de satélite submetro revela expansão de favelas durante a pandemia de COVID-19

Por que as sombras das cidades importam

Ao redor do mundo, centenas de milhões de pessoas vivem em bairros superlotados com moradias frágeis e acesso precário à água, saneamento e serviços. Essas comunidades costumam ser invisíveis nas estatísticas oficiais, dificultando que governos e organizações de ajuda planejem apoio ou acompanhem o progresso em relação a metas globais. Este estudo mostra como imagens de satélite modernas e inteligência artificial podem revelar como esses assentamentos crescem e mudam ao longo do tempo, inclusive durante choques como a pandemia de COVID-19 e em resposta a projetos de reurbanização.

Vendo bairros ocultos do espaço

Os autores focam nas favelas, ou assentamentos urbanos empobrecidos, onde os moradores enfrentam moradia insegura e serviços básicos limitados. Métodos tradicionais de contagem de moradores de favelas dependem de pesquisas domiciliares, que são caras, lentas e raramente detalhadas o suficiente para mostrar o que acontece dentro de uma cidade. Satélites novos de alta resolução, porém, conseguem captar detalhes finos como formatos de telhados, densidade de construções e o labirinto apertado de ruas que muitas vezes sinalizam habitação informal. O desafio é transformar esse fluxo de dados de imagem em mapas confiáveis em grande escala sem gastar anos rotulando manualmente cada pixel.

Ensinando computadores com pouquíssimos exemplos

Para resolver isso, os pesquisadores construíram um sistema de visão computacional chamado SegSlum que aprende a reconhecer assentamentos informais a partir de fotos de satélite em que cada pixel representa cerca de 60 centímetros no terreno. Em vez de exigir rotulagem humana exaustiva, eles usaram uma abordagem “minimamente supervisionada”: especialistas rotularam cuidadosamente um conjunto relativamente pequeno de imagens — cerca de 3% do conjunto total — e o modelo então se autoeducou em milhões de imagens não rotuladas. Isso ocorreu em dois passos principais. Primeiro, um modelo inicial aprendeu com os exemplos rotulados enquanto era forçado a ignorar mudanças superficiais de iluminação ou cor entre imagens. Em seguida, esse modelo criou rótulos provisórios nas imagens não rotuladas; um segundo modelo foi treinado novamente usando apenas os mais confiáveis desses rótulos, filtrando palpites instáveis. Isso permitiu ao sistema adaptar-se a diferentes cidades, estações e sensores de satélite ao mesmo tempo em que mantinha os erros sob controle.

Acompanhando mudanças entre cidades e ao longo dos anos

Usando o SegSlum, a equipe analisou quase 2,8 milhões de blocos de imagem de satélite de 12 grandes cidades na África, Ásia e América Latina entre 2014 e 2024. O modelo mostrou-se altamente preciso, casando-se de perto com mapas detalhados de campo das favelas e superando modelos supervisionados mais convencionais. Com essa ferramenta, os pesquisadores puderam estimar como a parcela de terra urbana ocupada por favelas mudou ao longo do tempo, mesmo mês a mês. Ao contrário das estatísticas globais da ONU-Habitat, que sugerem um declínio lento na prevalência de favelas, os resultados baseados em satélite mostraram um leve aumento geral na área de favelas nessas cidades ao longo da década, e um aumento claro em nove das doze cidades durante o período de lockdown da COVID-19. Ao combinar os mapas com grades populacionais e dados sobre hospitais, escolas e outras instalações, eles também constataram que mais pessoas estavam vivendo nessas áreas enquanto o acesso médio a serviços básicos nelas piorava.

Efeitos não intencionais de “melhorias”

O estudo também examinou o que acontece ao redor de grandes projetos de desenvolvimento. Em duas cidades — Ulaanbaatar e Cidade do Cabo — as autoridades lançaram programas com o objetivo específico de melhorar áreas de favela, por exemplo substituindo moradias frágeis por habitações mais sólidas ou renovando telhados. Os mapas do SegSlum mostraram que, embora as condições tenham melhorado dentro dos locais dos projetos, assentamentos informais próximos expandiram-se, às vezes a vários quilômetros de distância. Isso sugere que melhorias em estradas, utilidades e habitação pública podem atrair novos residentes de baixa renda para a periferia circundante, espalhando a informalidade em vez de eliminá-la. Em contraste, grandes projetos de transporte ou imobiliários em Nairóbi e Mumbai que não visavam compartilhar benefícios com moradores existentes não mostraram o mesmo tipo de crescimento local por transbordamento, embora possam ter empurrado pessoas para áreas mais distantes e não observadas.

Ligando telhados à pobreza

Como o SegSlum produz uma pontuação sobre o quão fortemente uma área se parece com um assentamento informal, os autores testaram se essas pontuações se alinham com medidas independentes de pobreza, como pesquisas nacionais de riqueza e contagens oficiais de pobreza. Na maioria das cidades onde esses dados estavam disponíveis, as pontuações de favela se correlacionaram mais fortemente com privação do que indicadores econômicos baseados em satélite amplamente usados, como iluminação noturna. Isso significa que, embora o método não consiga ver todas as dimensões da dificuldade, ele pode ajudar a sinalizar bairros que provavelmente estão enfrentando problemas, subsidiando avaliações mais detalhadas em campo.

O que isso significa para as cidades futuras

Para não especialistas, a principal conclusão é que agora podemos usar imagens de satélite rotineiras e esforço humano relativamente leve para criar mapas detalhados e atualizados regularmente de assentamentos informais ao redor do mundo. Esses mapas revelam que as áreas de favela nas cidades estudadas não vêm diminuindo e que, durante a crise da COVID-19, elas frequentemente cresceram enquanto o acesso a serviços caiu. Mostram também que projetos de melhoria bem-intencionados podem ter efeitos colaterais, deslocando a pobreza em vez de eliminá-la. Embora o método tenha limites — ele vê principalmente o que telhados e paredes revelam, não questões invisíveis como qualidade da água ou direitos de posse — oferece uma lente poderosa sobre a desigualdade urbana. Usadas com cuidado e ética, essas ferramentas podem ajudar planejadores e comunidades a monitorar bairros vulneráveis, desenhar políticas mais inclusivas e verificar se os investimentos urbanos realmente melhoram vidas em vez de apenas mover dificuldades para fora de vista.

Citação: 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

Palavras-chave: mapeamento de favelas, imagens de satélite, pobreza urbana, aprendizado profundo, assentamentos informais