Alt metre uydu görüntülerinde az gözetimli öğrenme, COVID-19 pandemisi sırasında gecekondu yayılımını ortaya koyuyor

Şehir gölgelerinin önemi

Dünyanın dört bir yanında yüz milyonlarca insan, zayıf yapılı evlerin ve yetersiz su, sanitasyon ve hizmet erişiminin olduğu kalabalık mahallelerde yaşıyor. Bu topluluklar resmi istatistiklerde çoğunlukla görünmez kalıyor; bu da hükümetlerin ve yardım kuruluşlarının destek planlamasını veya küresel hedeflere yönelik ilerlemeyi izlemeyi zorlaştırıyor. Bu çalışma, modern uydu görüntüleri ve yapay zekânın, COVID-19 pandemisi gibi şoklar sırasında ve kentsel yeniden geliştirme projelerine yanıt olarak bu tür yerleşimlerin nasıl büyüdüğünü ve değiştiğini zaman içinde nasıl açığa çıkarabileceğini gösteriyor.

Uzaydan gizli mahalleleri görmek

Yazarlar, konut güvencesi zayıf ve temel hizmetlere sınırlı erişimi olan gecekondu ya da yoksun kentsel yerleşimlere odaklanıyor. Gecekondu nüfusunu saymanın geleneksel yolları hane halkı anketlerine dayanır; bunlar pahalı, yavaş ve bir şehir içindeki durumu ayrıntılı olarak gösterecek kadar nadiren ayrıntılıdır. Oysa yeni yüksek çözünürlüklü uydular, çatı şekilleri, yapı yoğunluğu ve genellikle informal yerleşimi işaret eden sıkı sokak labirenti gibi ince ayrıntıları yakalayabiliyor. Zorluk, bu görüntü verisi selini her pikseli el ile etiketlemek için yıllar harcamadan güvenilir, geniş ölçekli haritalara dönüştürmek.

Bilgisayarlara çok az örnekle öğretmek

Bunu çözmek için araştırmacılar, her pikselin yerde yaklaşık 60 santimetreyi temsil ettiği uydu fotoğraflarından informal yerleşimleri tanımayı öğrenen SegSlum isimli bir bilgisayarlı görü sistemi geliştirdiler. Tükenmez insan etiketlemesi gerektirmek yerine, “az gözetimli” bir yaklaşım kullandılar: uzmanlar, tam veri setlerinin yaklaşık %3’ünü oluşturan nispeten küçük bir görüntü kümesini dikkatle etiketledi ve model daha sonra milyonlarca etiketsiz görüntü üzerinde kendi kendine öğrenme yaptı. Bu iki ana adımda gerçekleştirildi. İlk olarak, başlangıç modeli etiketli örneklerden öğrenirken görüntüler arasındaki aydınlatma veya renk gibi yüzeysel değişiklikleri görmezden gelmeye zorlandı. Ardından bu model, etiketsiz görüntüler üzerinde geçici etiketler oluşturdu; ikinci bir model yalnızca en güvenilir olanlar üzerinde yeniden eğitildi ve kararsız tahminler elendi. Bu, sistemin farklı şehirlere, mevsimlere ve uydu sensörlerine uyum sağlamasına ve hata oranlarını kontrol altında tutmasına olanak verdi.

Şehirler ve yıllar boyu değişimi izlemek

SegSlum kullanılarak ekip, 2014 ile 2024 arasındaki dönemde Afrika, Asya ve Latin Amerika’daki 12 büyük şehirden neredeyse 2,8 milyon uydu görüntü karosunu analiz etti. Model yüksek doğruluk gösterdi, gecekonduya ilişkin ayrıntılı saha haritalarıyla yakından örtüştü ve daha geleneksel gözetimli modelleri geride bıraktı. Bu araçla araştırmacılar, kentsel alanın gecekondu ile kaplı olan payının zaman içinde, hatta ay ay nasıl değiştiğini tahmin edebildiler. Birleşmiş Milletler Habitat gibi küresel istatistiklerin gecekondu yaygınlığında yavaş bir düşüş önerdiği yerde, uydu tabanlı sonuçlar ele alınan şehirlerde on yıl boyunca gecekondu alanında hafif bir genel artış ve COVID-19 karantina döneminde on iki şehirden dokuzunda belirgin bir artış gösterdi. Haritaları nüfus ızgaraları ve hastaneler, okullar ile diğer tesislere ilişkin verilerle birleştirerek, bu bölgelerde daha fazla insanın yaşadığını ve bu içindeki temel hizmetlere ortalama erişimin kötüleştiğini de buldular.

“İyileştirmelerin” istenmeyen etkileri

Araştırma ayrıca büyük kentsel gelişme projelerinin çevresinde ne olduğuna baktı. Ulaanbaatar ve Cape Town’da yetkililer, kırılgan konutları daha sağlam konutlarla değiştirmek veya çatıları yenilemek gibi gecekondu alanlarını iyileştirmeye yönelik programlar başlattı. SegSlum’un haritaları, proje sahalarının içinde koşulların iyileştiğini gösterirken, yakınlardaki informal yerleşimlerin aslında genişlediğini, bazen birkaç kilometre uzağa kadar büyüdüğünü ortaya koydu. Bu, daha iyi yollar, altyapı ve sosyal konutların çevreye yeni düşük gelirli sakinleri çekebileceğini; böylece kaynağı ortadan kaldırmak yerine informalliği çevreye yayabileceğini düşündürüyor. Buna karşılık, Nairobi ve Mumbai’de mevcut sakinlerle faydaları paylaşmayı hedeflemeyen büyük ulaşım veya emlak projeleri aynı tür yerel taşma büyümesini göstermedi; bununla birlikte bu projeler insanları daha uzak, gözlemlenmemiş bölgelere itmiş olabilir.

Çatılardan yoksulluğa bağ kurmak

SegSlum bir bölgenin informal yerleşim gibi görünme derecesi için bir puan ürettiği için yazarlar, bu puanların ulusal gelir anketleri ve resmi yoksulluk sayımları gibi bağımsız yoksulluk ölçüleriyle uyumlu olup olmadığını test ettiler. Bu verilerin mevcut olduğu şehirlerin çoğunda, gecekondu puanları gece ışıkları gibi yaygın kullanılan uydu tabanlı ekonomik göstergelerden daha güçlü bir şekilde yoksunluk ile korele oldu. Bu, yöntemin her zorluk boyutunu göremese de muhtemelen zorluk yaşayan mahalleleri işaretlemeye yardımcı olabileceği ve daha ayrıntılı saha değerlendirmelerini destekleyebileceği anlamına geliyor.

Gelecekteki şehirler için ne anlama geliyor

Uzman olmayanlar için ana çıkarım şudur: artık rutin uydu görüntülerini ve nispeten az insan çabasını kullanarak dünya çapında informal yerleşimlerin ayrıntılı, düzenli olarak güncellenen haritalarını oluşturabiliyoruz. Bu haritalar, incelenen şehirlerde gecekondu alanlarının küçülmediğini ve COVID-19 krizinde genellikle büyürken hizmet erişiminin azaldığını ortaya koyuyor. Ayrıca iyi niyetli iyileştirme projelerinin bile yoksulluğu kaldırmak yerine yer değiştirmeye yol açabileceğini gösteriyor. Yöntemin sınırlamaları var—esas olarak çatıların ve duvarların ortaya koyduklarını görüyor; su kalitesi veya mülkiyet hakları gibi görünmez sorunları göremiyor—ancak kentsel eşitsizlik üzerine güçlü yeni bir mercek sunuyor. Dikkatli ve etik kullanıldığında, bu tür araçlar planlamacılara ve topluluklara savunmasız mahalleleri izleme, daha kapsayıcı politikalar tasarlama ve şehir yatırımlarının zorluğu sadece görünmez kılmak yerine gerçekten iyileştirip iyileştirmediğini denetleme konusunda yardımcı olabilir.

Atıf: 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

Anahtar kelimeler: gecekondu haritalama, uydu görüntüleri, kentsel yoksulluk, derin öğrenme, informal yerleşimler