Gepubliceerd op 27 september 2022
In sub-Sahara Afrika beschikken steden, met het snel toenemende tempo van verstedelijking, niet over de capaciteit om te voldoen aan de vraag naar betaalbare huisvesting en diensten. Bijgevolg nemen spontane achterstandswijken ("sloppenwijken") toe. Volgens UN-Habitat woont ongeveer 60% van de stadsbewoners in Afrika in sloppenwijken, maar het schatten van demografische gegevens is lastig omdat de gemeenschappen meestal niet op kaarten of in officiële gegevens zijn terug te vinden. Internationale organisaties, overheden en NGO's hebben dringend behoefte aan ruimtelijke gegevens om de balans op te maken en de inspanningen ter verbetering van de levensomstandigheden te richten. Ook sloppenwijkbewoners willen op de kaart staan om volledig als burger erkend te worden en hun zegje te kunnen doen.
Kinderen in de sloppenwijk Mathare, Nairobi, Kenia.
|
De hoofddoelstelling van het STEREO III-project SLUMAP is het ontwikkelen van op RS gebaseerde methoden voor het modelleren van de locatie, omvang en kenmerken van achtergestelde stedelijke gebieden, met de nadruk op schaalbaarheid en overdraagbaarheid, om bij te dragen aan Duurzame Ontwikkelingsdoelstelling 11 "Steden en menselijke nederzettingen inclusief, veilig, veerkrachtig en duurzaam maken". De resultaten zijn bruikbaar op vele niveaus, van lokale bewoners en veld-NGO's tot internationale instellingen en lokale en nationale overheden. |
Samenwerken om behoeften scherp te stellen
Doel van het STEREO III-project SLUMAP (Remote Sensing for Slum Mapping and Characterization in sub-Saharan African Cities) was het ontwikkelen van een open-source kader en modellen voor het verwerken van aardobservatiebeelden om de locatie en de omvang van achterstandswijken in kaart te brengen en de fijne kenmerken ervan te extraheren.
Het team, bestaande uit leden van de Vrije Universiteit Brussel en de Universiteit Twente (ITC), onderzocht eerst de behoeften van gebruikers aan ruimtelijke informatie over stedelijke achterstand. De toegankelijkheid, actualiteit, aggregatie en ethiek/privacy van de gegevens werden geanalyseerd. Er moet immers voorkomen worden dat de kaarten tegen de gemeenschappen worden gebruikt (bijvoorbeeld bij conflicten over grondbezit of gedwongen uitzettingen). Drie steden met contrasterende eigenschappen werden geselecteerd als casestudies: Nairobi en Kisumu in Kenia (Kisumu als voorbeeld van een secundaire stad) en Ouagadougou in Burkina Faso.
|
|
Achterstandsgebieden markeren op stadsplattegronden
De grote verscheidenheid aan achterstandsgebieden, zowel tussen steden als binnen dezelfde stad, maakt het een uitdaging om generieke modellen op stadsschaal te ontwerpen. Daartoe gebruikte het projectteam publiek beschikbare building footprints en Copernicus Sentinel-1- en -2-satellietgegevens en ontwierp het een gemengde unsupervised/supervised machine-learning workflow (zie inzet). De ontwikkelde modellen leggen de morfologie van stedelijke achterstand vast in gerasterde kaarten (100m x 100m) en kunnen worden toegepast op steden met verschillende stadsvormen. Aangezien achterstandsgebieden waarschijnlijk vage, veranderende grenzen hebben, en ook om ethische redenen, tonen de stadsbrede kaarten een 'morfologische achterstandskans' in plaats van het binaire krottenwijk- vs. niet-krottenwijkparadigma.
|
Machine learning is een gebied van kunstmatige intelligentie dat wiskundige en statistische benaderingen gebruikt om systemen het vermogen te geven om te leren van gegevens en voorspellingen te doen, en zichzelf te verbeteren op basis van ervaring. Het kan grote hoeveelheden gegevens verwerken en vermindert menselijke tussenkomst. |
 |
||
 |
 |
 |
Boven: Morfologische deprivatiekans (100m x 100m). Onder: Voorbeelden van achterstandsmorfologieën in Ouagadougou (links), Nairobi (midden) en Kisumu (rechts).
Inzoomen: achterstandsgebieden in kaart brengen en karakteriseren
Het team bracht achterstandsgebieden zeer gedetailleerd in kaart met beelden met een zeer hoge resolutie, met behulp van een aanpak gebaseerd op OBIA (Object Based Image Analysis) en machine learning. Het principe van OBIA-analyse is het beeld te ontleden in objecten die overeenkomen met de verschillende elementen waaruit het bestaat en deze objecten vervolgens te classificeren op basis van hun vorm, hun grootte en hun ruimtelijke en spectrale eigenschappen.
Tot op heden zijn beelden met zeer hoge resolutie nog duur, maar het project heeft aangetoond dat zelfs de RGB-basisbanden kunnen worden gebruikt om het stedelijk weefsel en zelden gekarteerde elementen zoals afvalbergen en voertuigen in kaart te brengen. De door het project ontwikkelde modellen zijn open en overdraagbaar tussen achtergestelde gebieden binnen een stad. Het team berekende indicatoren uit de fijnschalige kaarten en combineerde deze met andere, uit beeldmateriaal en open lagen afgeleide indicatoren om achterstandsgebieden te karakteriseren in termen van bodembedekking, stedelijke morfologie, milieu en topografie.
 |
 |
 |
|
Linksboven: Gedetailleerde landbedekking binnen sloppenwijken. Onderaan: Indicator voor de dichtheid van vast afval (100m x 100m), sloppenwijk Mathare, Nairobi.
De kracht van het combineren van EO met burgerwetenschap
In het bijbehorende ondersteuningsproject PARTIMAP ontwierp en implementeerde het team een burgerwetenschappelijk proces om de perceptie van ontbering vast te leggen en te onderzoeken hoe deze samenhangt met het stadsbeeld dat zichtbaar is op satellietbeelden en andere ruimtelijke indicatoren. Sloppenwijkbewoners van Nairobi gebruikten een mobiele app om te stemmen voor 'de beste plek om te wonen' uit paren satellietbeeldchips. Op basis van meer dan een miljoen stemmen en met behulp van deep learning-technieken toegepast op satellietbeelden, kon het team een deprivatieperceptiescore afleiden. Met machine learning werden ook ruimtelijke indicatoren geïdentificeerd die een sterke invloed hebben op de waargenomen deprivatie-ernst.
 |
|
 |
 |
Boven: Ontberingsperceptiescore. Linksonder: Training van sloppenwijkbewoners in satellietbeeldinterpretatie. Rechtsonder: Mobiele app voor het verzamelen van stemmen.
De resultaten van het SLUMAP-project zijn waardevolle instrumenten ter ondersteuning van een op feiten gebaseerd beleid ten gunste van de armen met het oog op de verwezenlijking van de doelstellingen voor duurzame ontwikkeling.