Gepubliceerd op 24 september 2025
Tegen het einde van de ochtend stapelt de warmte zich op in de straten van Nairobi’s informele nederzettingen. Muren warmen op en de hitte blijft hangen op ademhoogte. Klimaatverandering wordt vaak beschreven in mondiale gemiddelden, maar de gevolgen zijn lokaal voelbaar – verschillend van straat tot straat, van huis tot huis. In wijken met metalen daken en smalle steegjes is de hitte extra intens: platen absorberen zonlicht, kaatsen het terug op naburige oppervlakken en stralen hun opgeslagen warmte weer de lucht in. Ingesloten tussen dicht opeengepakte muren veranderen deze effecten steegjes in gloeiende gangen die de thermische stress voor bewoners verergeren.
Toch weerspiegelen de thermometers die het beleid sturen zelden deze realiteit. Weerstations staan meestal op grasvelden van luchthavens of universiteitscampussen, ver weg van de metalen daken en rokerige straten van dichtbebouwde buurten. Satellieten met thermische sensoren helpen om ongelijkheden zichtbaar te maken, maar meten enkel oppervlaktetemperaturen – niet de luchttemperatuur die een kind ervaart op weg naar school. Zolang we de warmte die mensen écht voelen niet meten, onderschatten we het risico.
DE TEMPERATUUR IN INFORMELE NEDERZETTINGEN METEN EN MODELLEREN
In ONEKANA hebben we een schaalbare methode ontwikkeld die wereldwijd toepasbaar is om de luchttemperatuur in informele nederzettingen te meten en te modelleren met behulp van buurtonderzoek en satellietgegevens. Samen met lokale leiders ontwierpen we wandelroutes langs cruciale gemeenschapsplekken, zoals waterpunten, scholen, markten, klinieken en zonbeschenen kruispunten. Bewoners voerden tijdens de heetste uren van de dag tweemaal per dag campagnes van twee uur uit, waarbij ze met goedkope temperatuursensoren op houten palen de luchttemperatuur langs deze routes vastlegden. De verzamelde metingen werden gecombineerd met voorspellende factoren uit satellietbeelden (zoals ECOSTRESS LST, albedo en Sentinel-2 spectrale indices) en gegevens over de voetafdruk van gebouwen. Deze gegevens voedden een machine-learningmodel dat de luchttemperatuur in de nederzettingen nauwkeurig in kaart bracht.
Figure 1: Een jong meisje loopt naar school in een informele nederzetting in Nairobi.
WAAR DE HITTE HET HARDST TOESLAAT EN WIE HET MEEST KWETSBAAR IS?
Alleen de luchttemperatuur in kaart brengen geeft nog geen volledig beeld. Om het hittegevaar goed te begrijpen, is ook inzicht nodig in hoe de kwetsbaarheid binnen nederzettingen verschilt: waar richt hitte de meeste schade aan en wie kan er het minst tegen? Om dit vast te leggen, ontwierpen we samen met gemeenschapsleiders micro-enquêtes voor huishoudens. Daarmee werden gegevens verzameld over bouwmaterialen (dak, plafond, muren), ervaren hitteproblemen (zoals ongemak en slaapverlies), huishoudelijke overbevolking, beschermende voorzieningen (natuurlijke ventilatie, ventilatoren) en toegang tot basisvoorzieningen (drinkwater, elektriciteit, afvalbeheer, gezondheidszorg). Bewoners registreerden de antwoorden met behulp van een mobiele app.
Vervolgens trainden we machine-learningmodellen om voor alle locaties een kwetsbaarheidsindex te voorspellen. Met behulp van Sentinel-2 en andere geospatiale voorspellers konden we deze schattingen uitbreiden tot gebieden buiten de onderzochte locaties.
Figure 2: Meten van luchttemperatuur in de informele nederzettingen van Nairobi
VERDELING VAN DE BEVOLKING IN KAART BRENGEN
Om te bepalen waar bewoners zowel sterk worden blootgesteld aan hitte als het meest kwetsbaar zijn, brachten we de bevolkingsspreiding in de nederzettingen in kaart met een deep-learningmodel, getraind op PlanetScope-beelden en gegevens uit gemeenschapsenquêtes. Deze bevolkingskaarten combineerden we vervolgens met lagen voor luchttemperatuur en thermische kwetsbaarheid, zodat de meest risicovolle gebieden zichtbaar werden.
Figure 3: Bevolkingsdichtheid in de nederzettingen
DE RESULTATEN DELEN MET DE LOKALE BEVOLKING
Mitigatiemaatregelen kwamen naar voren tijdens een workshop met belanghebbenden, waaronder vertegenwoordigers van de gemeenschap, ngo’s, planners, gemeentelijke ambtenaren en academici. De projectresultaten werden daar gedeeld om een debat te starten over haalbare, betaalbare en door de gemeenschap gedragen aanpassingen. Deelnemers stelden gerichte maatregelen voor, zoals: het planten van bomen en plaatsen van luifels om de middag¬hitte te temperen; het schilderen en isoleren van de heetste en meest reflecterende metalen daken; het verbeteren van de ventilatie in woningen en gemeenschapsruimten met nok- en dwarsventilatie, met oog voor veiligheid; het voorzien van schaduw bij waterpunten, wachtrijen bij klinieken en speelplaatsen; en het inrichten van kleine koelruimten met noodstroom voor kwetsbare groepen in gebieden waar de hitte het hardnekkigst blijft.
Figure 4: Workshop met belanghebbenden
Conclusie...
Het modelleren van lokale warmtevariaties met teledetectie en buurtgegevens verandert het gesprek. Het probleem is niet langer abstract, maar wordt zichtbaar in hotspots die om actie vragen. Door bewijs te verzamelen en te delen, willen we toekomstige aanpassingen helpen sturen. Op buurtniveau krijgt klimaatactie een concreet gezicht: woningen leefbaar maken, straten verkoelen en plannen ontwikkelen met de zwaarst getroffen gemeenschappen in het middelpunt.
Projectteam
ULB: Eléonore Wolff - Sabine Vanhuysse - Stefanos Georganos - Angela Abascal
ITC: Monika Kuffer - Jon Wang
Universiteit van Navarra: Sally Sampson