《利用深度学习和遥感技术揭示撒哈拉以南非洲主要城市贫民窟快速增长》

推荐 为解决撒哈拉以南非洲城市贫民窟数据稀缺问题，研究人员应用深度学习对Sentinel - 2卫星影像进行分析，绘制了529个城市的贫民窟地图。结果显示2022年超半数城市贫民窟人口超半，且多数城市贫民窟人口增加，为政策制定提供依据。

　　

论文解读
在当今世界，城市化进程快速推进，然而撒哈拉以南非洲地区却面临着独特的挑战。超过一半的城市人口居住在贫民窟中，这些贫民窟的居民面临着诸多困境，如缺乏清洁水源和卫生设施、居住面积狭小、住房质量差以及缺乏土地使用权等，同时还极易受到传染病和自然灾害的侵袭，并且时刻面临被驱逐的风险¹。随着城市化进程的加速，大量新城市居民涌入，贫民窟问题愈发严峻。为了有效监测贫民窟的发展情况，以实现联合国可持续发展目标（SDG）11.1，即确保所有人都能获得适当、安全和负担得起的住房以及基本服务，并对贫民窟进行改造，迫切需要一种及时且有效的监测方法。传统的基于调查和国家普查的数据收集方法存在诸多弊端，如频率低、政治不稳定导致数据收集延迟、样本偏差以及空间精度不足等问题，难以满足对贫民窟快速变化进行监测的需求²。

来自国外的研究人员开展了利用深度学习和遥感技术绘制撒哈拉以南非洲主要城市贫民窟地图的研究。他们应用深度学习方法对开放获取的Sentinel - 2光学卫星影像进行分析，同时结合地面真实数据对模型进行训练。这些地面真实数据来自多个国家的16个城市，涵盖了不同的地理覆盖范围、参考年份和数据格式³。通过对529个城市的分析，研究人员得出了令人瞩目的结论。2022年，在274个城市中，城市人口居住在贫民窟的比例超过了50%，并且在84%的城市中，这一比例相较于2016年有所增加，尤其是在中西部非洲地区。贫民窟的增长主要集中在城市边缘地区，而这一区域在基于调查的贫民窟监测中往往容易被忽视⁴。

研究结果具有重要的意义。首先，该研究提供了一种新的、有效的贫民窟监测方法，能够及时、准确地掌握贫民窟的发展动态，为政策制定者提供科学依据。通过识别“非正式增长热点”，可以合理分配资源，提高资源利用效率。其次，研究结果揭示了撒哈拉以南非洲地区贫民窟问题的严重性和紧迫性，促使国际社会更加关注该地区的城市发展和贫困问题。此外，研究中所采用的方法和技术也为其他地区的贫民窟监测提供了借鉴和参考，有助于推动全球范围内的贫民窟治理工作⁵。

在研究过程中，研究人员运用了几个关键的技术方法。他们采用了DeepLabV3系统与ResNet - 50骨干网络的语义图像分割架构，该架构通过空洞卷积和空洞空间金字塔池化模块，大大提高了模型捕捉不同尺度图像特征的能力⁶。为了增加模型的多样性，研究人员在训练过程中对图像块的大小进行了调整，并采用了随机移位的方式。同时，他们还应用了自监督学习方法对模型进行初始化，提高了模型的泛化能力⁷。最后，通过对多个模型的预测结果进行集成，得到了最终的贫民窟概率图⁸。

研究结果进一步表明，贫民窟的增长主要是由于城市边缘地区的不规划发展以及农村 - 城市迁移的影响。在许多城市中，贫民窟的扩张速度超过了人口增长速度，这表明贫民窟的扩张更多地是由于空间的扩展而非人口的自然增长⁹。此外，研究还发现不同地区的贫民窟发展模式存在差异，这与当地的城市规划、经济发展水平以及社会文化因素密切相关¹⁰。

综上所述，这项研究通过利用深度学习和遥感技术，成功地绘制了撒哈拉以南非洲主要城市的贫民窟地图，揭示了贫民窟的快速增长趋势及其空间分布特征。研究结果对于制定有效的城市发展政策和贫民窟治理策略具有重要的指导意义。同时，该研究也为全球范围内的贫民窟监测提供了新的思路和方法，有助于推动可持续发展目标的实现。未来，研究人员计划进一步扩大研究范围，将更多的城市和地区纳入研究范畴，并结合更多的地理空间数据，提高贫民窟监测的准确性和全面性¹¹。