Минимально контролируемое обучение на субметровых спутниковых снимках выявляет расширение трущоб в период пандемии COVID-19

Почему тени городов имеют значение

По всему миру сотни миллионов людей живут в тесных кварталах с непрочными домами и ограниченным доступом к воде, санитарии и услугам. Такие сообщества часто остаются невидимыми в официальной статистике, что затрудняет правительствам и гуманитарным организациям планирование помощи и отслеживание прогресса в достижении глобальных целей. В этом исследовании показано, как современные спутниковые снимки и искусственный интеллект могут выявлять, как такие поселения растут и меняются с течением времени, в том числе в периоды потрясений, как пандемия COVID-19, и в ответ на проекты городского благоустройства.

Видеть скрытые кварталы из космоса

Авторы сосредоточились на трущобах, то есть обедневших городских поселениях, где жители сталкиваются с ненадёжным жилищем и ограниченным доступом к базовым услугам. Традиционные способы учёта жителей трущоб основаны на опросах домохозяйств, которые дороги, медленны и редко дают детализацию в пределах города. Новые высокоразрешающие спутники, однако, способны фиксировать мелкие признаки — форму крыш, плотность застройки и лабиринт узких улиц — которые часто указывают на неформальное жильё. Задача заключается в том, чтобы превратить поток изображений в надёжные карты в крупном масштабе без многолетней ручной разметки каждого пикселя.

Обучение компьютеров по очень небольшому числу примеров

Чтобы решить эту задачу, исследователи создали систему компьютерного зрения SegSlum, которая учится распознавать неформальные поселения по спутниковым снимкам с разрешением примерно 60 сантиметров на пиксель. Вместо требовательной полной ручной разметки они применили «минимально контролируемый» подход: эксперты тщательно разметили относительно небольшую часть изображений — около 3% от всего набора данных — а модель затем самостоятельно обучалась на миллионах немаркированных снимков. Это происходило в два основных этапа. Сначала начальная модель училась на размеченных примерах, при этом её принуждали игнорировать поверхностные изменения освещения или цвета между изображениями. Затем эта модель генерировала предварительные метки для немаркированных снимков; вторая модель дообучалась только на наиболее надёжных из этих меток, отфильтровывая нестабильные догадки. Это позволило системе адаптироваться к разным городам, сезонам и спутниковым сенсорам при сохранении контроля над ошибками.

Отслеживание изменений по городам и годам

С помощью SegSlum команда проанализировала почти 2,8 миллиона тайлов спутниковых изображений из 12 крупных городов Африки, Азии и Латинской Америки за период с 2014 по 2024 годы. Модель показала высокую точность, хорошо совпадая с подробными наземными картами трущоб и превосходя более традиционные контролируемые модели. С этим инструментом исследователи смогли оценить, как доля городской территории, занятая трущобами, менялась со временем, вплоть до помесячной детализации. Вопреки глобальным статистикам UN-Habitat, которые указывают на медленное сокращение распространённости трущоб, результаты на основе спутников показали небольшое общее увеличение площади трущоб в изученных городах за десятилетие и явный рост в девяти из двенадцати городов в период локдаунов из‑за COVID-19. Комбинируя карты с популяционными сетками и данными о больницах, школах и других объектах, они также обнаружили, что в этих районах стало проживать больше людей, в то время как средний доступ к базовым услугам в них ухудшался.

Непреднамеренные эффекты «улучшений»

Исследование также рассмотрело, что происходит вокруг крупных проектов развития. В двух городах — Улан-Баторе и Кейптауне — власти запустили программы, направленные на обновление трущоб, например замену хрупкого жилья на более прочные дома или ремонт крыш. Карты SegSlum показали, что хотя внутри зон проектов условия улучшались, соседние неформальные поселения фактически расширялись, иногда на несколько километров по периферии. Это говорит о том, что хорошие дороги, инфраструктура и общественное жильё могут притягивать новых малообеспеченных жителей в прилегающие окраины, распространяя неформальность вместо её ликвидации. Напротив, крупные транспортные или отельные проекты в Найроби и Мумбаи, которые не предусматривали распределения выгод среди существующих жителей, не показали такого локального эффектного роста, хотя они могли перемещать людей в более отдалённые, неучтённые зоны.

Связь между крышами и бедностью

Поскольку SegSlum выдаёт показатель того, насколько сильно территория по виду похожа на неформальное поселение, авторы проверили, согласуются ли эти оценки с независимыми измерениями бедности, такими как национальные опросы благосостояния и официальные подсчёты бедных. В большинстве городов, где такие данные были доступны, оценки трущоб сильнее коррелировали с лишениями, чем широко используемые спутниковые экономические индикаторы, например ночные огни. Это означает, что хотя метод и не видит всех аспектов нищеты, он может помочь отмечать кварталы, вероятно испытывающие трудности, и поддерживать более детальную наземную проверку.

Что это значит для городов будущего

Для неспециалистов ключевой вывод таков: теперь мы можем использовать рутинные спутниковые снимки и относительно небольшие затраты человеческого труда для создания подробных и регулярно обновляемых карт неформальных поселений по всему миру. Эти карты показывают, что в изученных городах площади трущоб не сокращаются и что в период кризиса COVID-19 они часто росли, в то время как доступ к услугам падал. Они также демонстрируют, что даже благонамеренные проекты обновления могут иметь побочные эффекты, смещая бедность, а не устраняя её. Хотя метод имеет ограничения — он в основном видит то, что показывают крыши и стены, а не невидимые проблемы вроде качества воды или прав на землю — он предлагает мощную новую перспективу на городское неравенство. При аккуратном и этичном использовании такие инструменты могут помочь планировщикам и сообществам отслеживать уязвимые кварталы, разрабатывать более инклюзивные политики и проверять, действительно ли городские инвестиции улучшают жизнь, а не просто переносят трудности вне поля зрения.

Цитирование: 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

Ключевые слова: картирование трущоб, спутниковые снимки, городская бедность, глубокое обучение, неформальные поселения