Minimalt övervakad inlärning på satellitbilder med submeter-upplösning avslöjar sluminfyllnad under COVID-19-pandemin

Varför stadssiluetter spelar roll

Runt om i världen bor hundratals miljoner människor i trånga områden med ömtåliga bostäder och dålig tillgång till vatten, sanitet och tjänster. Dessa samhällen är ofta osynliga i officiell statistik, vilket försvårar för regeringarna och hjälporganisationer att planera stöd eller följa framsteg mot globala mål. Den här studien visar hur moderna satellitbilder och artificiell intelligens kan avslöja hur sådana bosättningar växer och förändras över tid, även under chocker som COVID-19-pandemin och som svar på stadsomvandlingsprojekt.

Att upptäcka dolda kvarter från rymden

Författarna fokuserar på slumområden, det vill säga utsatta urbana bosättningar där invånarna möter osäker bostadssituation och begränsade grundläggande tjänster. Traditionella sätt att räkna slumbosättare bygger på hushållsundersökningar, vilka är kostsamma, långsamma och sällan tillräckligt detaljerade för att visa vad som händer inom en stad. Nya satelliter med hög upplösning kan däremot fånga fina detaljer som takformer, byggnadstäthet och det täta gatmönster som ofta signalerar informellt boende. Utmaningen är att förvandla denna flod av bilddata till tillförlitliga, storskaliga kartor utan att lägga år på manuell märkning av varje pixel.

Att lära datorer med mycket få exempel

För att lösa detta byggde forskarna ett datorvisionssystem kallat SegSlum som lär sig känna igen informella bosättningar från satellitfoton där varje pixel motsvarar cirka 60 centimeter på marken. Istället för att kräva uttömmande mänsklig märkning använde de en "minimalt övervakad" metod: experter märkte noggrant en relativt liten uppsättning bilder—ungefär 3 % av deras fulla dataset—och modellen lärde sig sedan själv på miljontals omärkta bilder. Detta skedde i två huvudsakliga steg. Först lärde sig en initial modell från de märkta exemplen medan den tvingades ignorera ytliga förändringar i ljus eller färg mellan bilder. Därefter skapade denna modell preliminära etiketter på de omärkta bilderna; en andra modell tränades om endast på de mest pålitliga av dessa och filtrerade bort osäkra gissningar. Detta gjorde det möjligt för systemet att anpassa sig till olika städer, årstider och satellitsensorer samtidigt som felen hölls i schack.

Att följa förändring över städer och år

Med SegSlum analyserade teamet nästan 2,8 miljoner satellitbildrutor från 12 stora städer i Afrika, Asien och Latinamerika mellan 2014 och 2024. Modellen visade sig vara mycket noggrann, stämde väl överens med detaljerade markkartor över slumområden och överträffade mer konventionella övervakade modeller. Med detta verktyg kunde forskarna uppskatta hur andelen stadsmark täckt av slum ändrades över tid, till och med månad för månad. I kontrast till globala siffror från UN-Habitat, som tyder på en långsam minskning av slumförekomsten, visade satellitbaserade resultat en svag total ökning av slumområden i dessa städer under decenniet, och en tydlig uppgång i nio av tolv städer under COVID-19-nedstängningsperioden. Genom att kombinera kartorna med befolkningsrutnät och data om sjukhus, skolor och andra anläggningar fann de också att fler människor bodde i dessa områden samtidigt som den genomsnittliga tillgången till grundläggande tjänster inom dem försämrades.

Oavsiktliga effekter av "förbättringar"

Studien undersökte också vad som händer i anslutning till stora utvecklingsprojekt. I två städer—Ulaanbaatar och Kapstaden—lanserade myndigheterna program som specifikt syftade till att uppgradera slumområden, till exempel genom att ersätta ömtåliga bostäder med stabilare boenden eller renovera tak. SegSlums kartor visade att medan förhållandena förbättrades inne i projektområdena, expanderade närliggande informella bosättningar faktiskt, ibland flera kilometer bort. Detta tyder på att bättre vägar, service och allmännyttiga bostäder kan locka nya låginkomsttagare till den omgivande utkanten och sprida informalisering i stället för att utrota den. I kontrast visade stora transport- eller fastighetsprojekt i Nairobi och Mumbai som inte syftade till att dela fördelar med befintliga invånare inte samma typ av lokala spillover-tillväxt, även om de kan ha pressat människor till mer avlägsna, oobserverade områden.

Att länka tak till fattigdom

Eftersom SegSlum producerar ett poängvärde för hur starkt ett område liknar en informell bosättning testade författarna om dessa poäng stämmer överens med oberoende mått på fattigdom, såsom nationella förmögenhetsundersökningar och officiella fattigdomsräkningar. I de flesta av städerna där sådan data fanns tillgänglig korrelerade slumpoängen starkare med utsatthet än vida använda satellitbaserade ekonomiska indikatorer som nattliga ljus. Det innebär att, även om metoden inte kan se alla dimensioner av svårigheter, kan den hjälpa till att flagga kvarter som sannolikt har problem och därmed stödja mer detaljerade fältstudier.

Vad detta betyder för framtidens städer

För icke-specialister är huvudslutsatsen att vi nu kan använda rutinmässiga satellitbilder och relativt lite mänsklig insats för att skapa detaljerade, regelbundet uppdaterade kartor över informella bosättningar globalt. Dessa kartor visar att slumområdena i de studerade städerna inte har krympt och att de ofta växte under COVID-19-krisen samtidigt som tillgången till tjänster minskade. De visar också att även välmenande uppgraderingsprojekt kan ha bieffekter och förflytta fattigdom snarare än eliminera den. Metoden har begränsningar—den ser främst vad tak och väggar avslöjar, inte osynliga problem som vattenkvalitet eller äganderätt—men den erbjuder en kraftfull ny lins på urban ojämlikhet. Använda varsamt och etiskt skulle sådana verktyg kunna hjälpa planerare och samhällen att övervaka utsatta kvarter, utforma mer inkluderande policyer och kontrollera om stadens investeringar verkligen förbättrar liv eller bara flyttar svårigheterna ur sikte.

Citering: 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

Nyckelord: slumkartläggning, satellitbilder, urban fattigdom, djuplärande, informella bosättningar