在亚米级卫星影像上以最少监督学习揭示COVID-19大流行期间贫民窟的扩张

为什么城市阴影重要

全球有数以亿计的人居住在拥挤的社区中，房屋脆弱、饮水、卫生和服务获取不足。这些社区常常在官方统计中变得“隐形”，使政府和援助机构难以规划支持或追踪实现全球目标的进展。本研究展示了如何利用现代卫星影像和人工智能揭示此类定居点随时间的增长与变化，包括在诸如COVID-19大流行等冲击期间，以及在城市改建项目推动下的反应。

从太空看见被隐藏的社区

作者把关注点放在贫民窟或受剥夺的城市定居点，这些地方的居民面临不安全的住房和有限的基础服务。传统的人口调查依赖家庭调查来统计贫民窟住户，这种方式昂贵、缓慢，且很少足够详尽以展示城市内部的动态。而新型高分辨率卫星能够捕捉到屋顶形状、建筑密度以及常见于非正式住房的狭窄街巷等细节。挑战在于如何把这种海量影像数据转化为可靠的大规模地图，而不需花费数年手工标注每个像素。

用极少样本教电脑

为了解决这一问题，研究人员构建了一个名为SegSlum的计算机视觉系统，能从每像素约代表地面60厘米的卫星照片中识别非正式定居点。他们没有依赖耗尽式的人为标注，而是采用了“最少监督”方法：专家对一个相对较小的数据集进行了精心标注——约占其完整数据集的3%——然后模型在数以百万计的未标注图像上自我学习。该过程主要分为两步。首先，初始模型从标注样本中学习，同时被迫忽略图像间表面光照或颜色的差异。接着，该模型对未标注图像生成试探性标签；第二个模型只在其中最可靠的标签上再训练，过滤掉不稳定的猜测。这样系统能在不同城市、季节和卫星传感器间自适应，同时将错误控制在较低水平。

跨城市与年份跟踪变化

利用SegSlum，团队分析了2014年至2024年间来自非洲、亚洲和拉丁美洲12个大城市的近280万块卫星影像瓦片。模型表现出较高精度，与详尽的实地贫民窟地图高度一致，且优于更传统的有监督模型。借助该工具，研究人员能够估算城市土地中被贫民窟覆盖的比例随时间（甚至按月）的变化。与联合国人居署等全球统计显示贫民窟占比缓慢下降不同，基于卫星的结果表明在这十年里这些城市的贫民窟面积总体略有增加，并且在COVID-19封锁期间的12个城市中有9个出现了明显上升。将这些地图与人口网格及医院、学校等设施数据结合后，他们还发现更多人居住在这些地区，同时这些地区内对基本服务的平均可及性在恶化。

“改善”带来的意外效应

研究还考察了大型改造项目周边的情况。在乌兰巴托和开普敦两座城市，当局启动了旨在升级贫民区的项目，例如用更坚固的住房替代脆弱房屋或修缮屋顶。SegSlum的地图显示，尽管项目区内条件有所改善，但附近的非正式定居点实际上扩展了，有时扩展范围达数公里之远。这表明更好的道路、公共设施和保障性住房可能吸引新的低收入居民向周边边缘地区迁移，扩大了非正规化而非消除之。相比之下，内罗毕和孟买的一些大型交通或房地产项目未旨在与现有居民共享利益，因此并未显示出同样的局部溢出增长，尽管这些项目可能将人口推向更远、未被观测到的区域。

把屋顶与贫困联系起来

由于SegSlum能为某一区域生成表明其类似非正式定居点程度的得分，作者检验了这些得分是否与独立的贫困衡量指标（如国家财富调查和官方贫困人口统计）一致。在有此类数据的大多数城市中，贫民窟得分与剥夺程度的相关性强于常用的基于卫星的经济指标（如夜间灯光）。这表明，尽管该方法无法看到困境的每一维面，但它可帮助标识可能陷入困境的社区，从而支持更详尽的实地评估。

对未来城市的含义

对非专业读者而言，关键结论是我们现在可以利用常规卫星影像与相对轻量的人力投入，制作出全球范围内详细且定期更新的非正式定居点地图。这些地图显示，在研究的城市中贫民窟并未缩减，在COVID-19危机期间它们常常扩张且服务可及性下降。地图还表明，即便是出于良好意图的升级项目也可能产生副作用，转移而非消除贫困。该方法有其局限——它主要能看到屋顶和墙体揭示的信息，而不能直接观测诸如水质或土地使用权等不可见的问题——但它为观察城市不平等提供了一个强有力的新视角。若谨慎且合乎伦理地使用，此类工具可帮助规划者和社区监测脆弱社区、制定更具包容性的政策，并检验城市投资是否真正改善生活，而不是将困境移出视线。

引用: 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

关键词: 贫民窟绘图, 卫星影像, 城市贫困, 深度学习, 非正式定居点