DOI: https://doi.org/10.1038/s41598-025-34295-7
PMID: https://pubmed.ncbi.nlm.nih.gov/41495271
تاريخ النشر: 2026-01-06
المؤلف: Mohammad Kakooei وآخرون
الموضوع الرئيسي: الاستشعار عن بعد واستخدام الأراضي
نظرة عامة
تقدم البحث إطار عمل جديد قائم على DeepLabV3 للتعلم العميق لرسم الخرائط في المناطق الحضرية والريفية عبر إفريقيا بدقة عالية تبلغ 10 أمتار، باستخدام بيانات متعددة المصادر بما في ذلك صور Landsat-8، وأضواء الليل من VIIRS، وبيانات استخدام الأراضي والتغطية (LULC) من ESRI. يعالج هذا الإطار القيود المفروضة على مجموعات البيانات العالمية الحالية، مثل GHSL-SMOD وGHS درجة التحضر، التي غالبًا ما تفشل في تمثيل المستوطنات الصغيرة أو غير الرسمية بدقة بسبب دقتها المكانية الخشنة ومنهجياتها غير المتسقة. تحقق مخرجات النموذج، التي تم التحقق منها مقابل مجموعة بيانات المسح الديموغرافي والصحي (DHS)، دقة إجمالية تبلغ 65% ومعامل كابا قدره 0.47، مما يظهر تحسينات كبيرة مقارنة بالمنتجات الحالية.
تشير النتائج إلى أن خرائط المناطق الحضرية والريفية عالية الدقة (HUR) توفر قدرات محسنة في تصنيف المستوطنات، لا سيما في التقاط الهياكل الريفية الحضرية الدقيقة التي غالبًا ما يتم تجاهلها في مجموعات البيانات الأكثر خشونة. يظهر النموذج توازنًا بين الدقة والاسترجاع عبر أنواع المستوطنات (المستوطنات غير البشرية، الريفية، الحضرية)، مما يقلل بشكل فعال من التقدير المفرط المنهجي للمناطق الحضرية. علاوة على ذلك، تؤكد تحليل التقدير المتعدد قوة هذه التحسينات، مما يبرز حساسية التنبؤات عالية الدقة لعدم اليقين في الإزاحة المكانية. بشكل عام، تمثل مجموعة بيانات HUR تقدمًا كبيرًا في رسم الخرائط عالية الدقة للمستوطنات البشرية، مما يدعم أهداف التنمية المستدامة ويمكّن من تحليلات أكثر دقة لديناميات المستوطنات المتطورة في إفريقيا.
مقدمة
تناقش مقدمة ورقة البحث الروابط المعقدة بين المناطق الريفية والحضرية، مع التأكيد على أدوارها الاجتماعية والاقتصادية والبيئية المتميزة. تتميز الأنظمة الحضرية بالاعتماد على المدخلات الخارجية مثل الكهرباء والعمالة، بينما تعتمد المناطق الريفية بشكل أكبر على الموارد الطبيعية، مما يظهر استدامة بيئية أكبر. على الرغم من الدراسات السابقة التي تحدد الفجوات في البنية التحتية والصحة والفرص الاقتصادية، إلا أنها غالبًا ما تفشل في التقاط التفاعلات الديناميكية والتحولات المكانية بين هذه المناطق بمرور الوقت. تبرز الورقة استمرارية الاعتماد المتبادل، حيث يؤثر التوسع الحضري على المناطق الريفية من خلال تغييرات استخدام الأراضي والهجرة، بينما توفر المناطق الريفية الموارد الأساسية وخدمات النظام البيئي للمراكز الحضرية.
ينتقد المؤلفون جهود رسم الخرائط الحضرية-الريفية الحالية، التي غالبًا ما تعتمد على الحدود الإدارية وتفتقر إلى الدقة اللازمة لتمثيل المستوطنات الصغيرة والمناطق الحضرية غير الرسمية بدقة، لا سيما في إفريقيا. يجادلون من أجل إطار عمل لرسم الخرائط عالي الدقة وواعي للسياق يستخدم تقسيم دلالي قائم على التعلم العميق لبيانات الأقمار الصناعية متعددة المصادر لإنشاء خريطة حضرية-ريفية موحدة بدقة 10 أمتار للقارة الإفريقية. يهدف هذا النهج إلى معالجة القيود الحرجة للمنتجات الحالية لرسم الخرائط، مثل الدقة المكانية الخشنة والتعريفات غير المتسقة للمناطق الحضرية والريفية. يتم وضع إطار عمل رسم الخرائط المقترح كأداة حيوية لمراقبة النمو الحضري، وتحليل تغييرات استخدام الأراضي، وإبلاغ السياسات التنموية المستدامة، لا سيما في المناطق التي تشهد تحديات سريعة في التحضر والهجرة.
الطرق
يستخدم البحث نماذج التعلم السطحي والعميق لتوليد الخرائط على نطاق واسع وتقسيم دلالي، مع التركيز بشكل خاص على تصنيف المناطق الحضرية والريفية في إفريقيا. تاريخيًا، كانت النماذج السطحية، مثل تحليل فورييه والغابات العشوائية، هي السائدة في الاستشعار عن بعد بسبب محدودية الموارد الحاسوبية وغياب صور الأقمار الصناعية عالية الدقة. ومع ذلك، غالبًا ما كانت هذه النماذج تكافح لالتقاط الأنماط المكانية المعقدة وكانت تتطلب ضبطًا خاصًا بالمنطقة. لقد غير ظهور التعلم العميق، لا سيما الشبكات العصبية التلافيفية (CNNs) والهياكل مثل U-Net، هذا المجال من خلال تمكين التعلم التلقائي للتمثيلات المكانية الغنية مباشرة من الصور الخام، مما يعزز دقة وقابلية توسيع تصنيف تغطية الأراضي.
في هذه الدراسة، تم توليد خريطة المناطق الحضرية والريفية عالية الدقة (HUR) بدقة مكانية تبلغ 10 أمتار، مصنفة المناطق إلى فئات حضرية، ريفية، وغير بشرية (NonHS) من 2016 إلى 2022. تضمنت المنهجية دمج خريطة استخدام الأراضي والتغطية (LULC) من ESRI مع خريطة JRC SMOD كمتغيرات هدف اصطناعية، مع استخدام مركبات سنوية متوسطة من بيانات Landsat-8 وبيانات أضواء الليل كمتغيرات مستقلة. سمح هذا النهج الواعي للسياق للنموذج بأخذ العلاقات المكانية في الاعتبار، مما أدى إلى تحديد أكثر دقة للمناطق الحضرية والريفية مقارنة بالطرق التقليدية المعتمدة على القواعد. تم تقييم خريطة HUR النهائية مقابل مجموعة بيانات مستقلة من المسح الديموغرافي والصحي (DHS)، مما يظهر توافقًا أفضل مع تسميات المناطق الحضرية والريفية، مما يبرز أهمية دمج معلومات الأحياء في تصنيف المناطق الحضرية-الريفية.
النتائج
في قسم النتائج، تم تقييم أداء خرائط HUR مقابل SMOD باستخدام تسميات ريفية وحضرية من مجموعة بيانات DHS. على المستوى القاري، تفوقت خرائط HUR باستمرار على SMOD، حيث حققت HUR2016 وHUR2020 قيم كابا تتراوح بين 0.47-0.48 ودقة تتراوح بين 0.65-0.66، مقارنة بقيم كابا لـ SMOD التي تتراوح بين 0.37-0.38 ودقة تتراوح بين 0.56-0.57. كانت مجموعة البيانات المستهدفة هي الأقل أداءً، حيث حققت كابا قدرها 0.25 ودقة قدرها 0.53.
كشفت التقييمات الخاصة بالفئات أن فئة Non-HS، كانت SMOD2020 لديها أعلى دقة (0.812) ولكن استرجاع منخفض (0.421)، مما يشير إلى نقص الكشف عن المناطق غير البشرية. في المقابل، أظهرت HUR2020 أداءً أكثر توازنًا بدقة قدرها 0.685 واسترجاع قدره 0.79. بالنسبة لفئة الريف، حققت خرائط HUR أعلى دقة (0.757)، بينما أظهرت SMOD استرجاعًا أعلى (0.509)، مما يشير إلى أنها تحدد المزيد من المناطق الريفية ولكنها تتكبد إيجابيات خاطئة بسبب دقتها المكانية الخشنة. في فئة الحضر، كان لدى SMOD استرجاع مرتفع جدًا (0.911-0.921) ولكن دقة منخفضة (0.439-0.460)، مما يشير إلى تقدير مفرط للمناطق الحضرية. قدمت خرائط HUR توازنًا أفضل مع قيم استرجاع تتراوح بين 0.833-0.851 ودقة أعلى (0.543-0.568). تسلط هذه النتائج الضوء على أنه بينما تلتقط SMOD المناطق الحضرية بشكل عام، فإن دقتها البالغة 1 كم تضخم من نطاقات المناطق الحضرية وتقلل من الدقة، في حين أن دقة HUR الأكثر دقة البالغة 10 أمتار تلتقط بشكل فعال التباين بين الريف والحضر، مما يؤدي إلى تحسين الدقة العامة.
المناقشة
في قسم المناقشة من ورقة البحث، يبرز المؤلفون استخدام مجموعة بيانات المسح الديموغرافي والصحي (DHS) لتحليلات مقارنة لاتجاهات التنمية الحضرية والريفية، لا سيما في نيجيريا. يقدمون تحليلًا زمنيًا لمؤشر الثروة، يكشف عن تفاوتات كبيرة بين المناطق الحضرية (0.321، 0.438، 0.466) والريفية (0.162، 0.248، 0.235) عبر سنوات المسح (1999، 2003، 2008). كما يشير المؤلفون إلى أن معدلات وفيات الأطفال أعلى باستمرار في المناطق الريفية، مما يبرز الفوائد المحتملة للتحضر. ومع ذلك، يشيرون إلى قيود بيانات DHS، التي تفتقر إلى خرائط حضرية-ريفية محددة مكانيًا، مما يحد من قابليتها للتطبيق في الدراسات الطولية الشاملة. يمكن أن تعزز دمج خرائط الريف-الحضر عالية الدقة، كما يتضح من عمل Pettersson وآخرين، الذين أنشأوا خريطة فقر لإفريقيا باستخدام بيانات DHS.
يناقش المؤلفون أيضًا توفر مجموعات البيانات العالمية مثل طبقة الاستيطان البشري العالمية (GHSL) ومشروع رسم الخرائط الحضرية-الريفية العالمي (GRUMP)، التي توفر تغطية طويلة الأجل قيمة ولكن تعاني من دقة مكانية خشنة (عادة 1 كم) وتصنيفات قائمة على القواعد قد لا تعكس بدقة الفروق بين الحضر والريف. يؤكدون على الحاجة إلى بيانات مكانية دقيقة، لا سيما في إفريقيا، حيث يتطلب النمو الحضري السريع والفجوات الملحوظة رسم خرائط دقيقة لتخصيص الموارد بفعالية واستراتيجيات مقاومة المناخ. تهدف الدراسة إلى معالجة هذه الفجوات من خلال استخدام صور الأقمار الصناعية للاستشعار عن بعد وتقنيات التعلم الآلي المتقدمة لتوليد خرائط حضرية-ريفية عالية الدقة، مما يحسن دقة تصنيفات الحضر والريف ويدعم اتخاذ قرارات أكثر استنارة في سياق التحضر والتنمية.
DOI: https://doi.org/10.1038/s41598-025-34295-7
PMID: https://pubmed.ncbi.nlm.nih.gov/41495271
Publication Date: 2026-01-06
Author(s): Mohammad Kakooei et al.
Primary Topic: Remote Sensing and Land Use
Overview
The research presents a novel DeepLabV3-based deep learning framework for mapping urban and rural areas across Africa at a high resolution of 10 meters, utilizing multi-source data including Landsat-8 imagery, VIIRS nighttime lights, and ESRI Land Use Land Cover (LULC). This framework addresses the limitations of existing global datasets, such as GHSL-SMOD and GHS Degree of Urbanisation, which often fail to accurately represent small or informal settlements due to their coarse spatial resolution and inconsistent methodologies. The model’s outputs, validated against the Demographic and Health Surveys (DHS) dataset, achieve an overall accuracy of 65% and a Kappa coefficient of 0.47, demonstrating significant improvements over existing products.
The findings indicate that the High-Resolution Urban-Rural (HUR) maps provide enhanced settlement classification capabilities, particularly in capturing fine-scale rural-urban structures that are typically overlooked in coarser datasets. The model exhibits balanced precision and recall across settlement types (Non-Human Settlements, Rural, Urban), effectively reducing the systematic over-estimation of urban areas. Furthermore, the multiple-imputation analysis confirms the robustness of these improvements, highlighting the sensitivity of fine-resolution predictions to spatial displacement uncertainty. Overall, the HUR dataset represents a substantial advancement in high-resolution mapping of human settlements, supporting sustainable development goals and enabling more nuanced analyses of Africa’s evolving settlement dynamics.
Introduction
The introduction of the research paper discusses the intricate interconnections between rural and urban areas, emphasizing their distinct socio-economic and environmental roles. Urban systems are characterized by reliance on external inputs such as electricity and labor, while rural areas are more dependent on natural resources, showcasing greater environmental sustainability. Despite previous studies identifying disparities in infrastructure, health, and economic opportunities, they often fail to capture the dynamic interactions and spatial transformations between these areas over time. The paper highlights the continuum of interdependence, where urban expansion influences rural regions through land-use changes and migration, while rural areas provide essential resources and ecosystem services to urban centers.
The authors critique existing urban-rural mapping efforts, which often rely on administrative boundaries and lack the resolution needed to accurately represent small settlements and informal urban areas, particularly in Africa. They argue for a high-resolution, context-aware mapping framework that utilizes deep learning-based semantic segmentation of multi-source satellite data to create a unified 10 m urban-rural map for the African continent. This approach aims to address critical limitations of current mapping products, such as coarse spatial resolution and inconsistent definitions of urban and rural areas. The proposed mapping framework is positioned as a vital tool for monitoring urban growth, analyzing land-use changes, and informing sustainable development policies, particularly in regions experiencing rapid urbanization and migration challenges.
Methods
The research employs both shallow and deep learning models for large-scale map generation and semantic segmentation, particularly focusing on urban-rural classification in Africa. Historically, shallow models, such as Fourier analysis and random forests, were predominant in remote sensing due to limited computational resources and the absence of high-resolution satellite imagery. However, these models often struggled with capturing complex spatial patterns and required region-specific tuning. The advent of deep learning, particularly convolutional neural networks (CNNs) and architectures like U-Net, has transformed this field by enabling the automatic learning of rich spatial representations directly from raw imagery, thus enhancing the accuracy and scalability of land cover classification.
In this study, a High-Resolution Urban-Rural (HUR) map was generated at a 10 m spatial resolution, classifying areas into urban, rural, and nonhuman settlement (NonHS) categories from 2016 to 2022. The methodology involved combining the ESRI Land Use Land Cover (LULC) map with the JRC SMOD map as synthetic target variables, while utilizing yearly median composites from Landsat-8 and nighttime light data as independent variables. This context-aware approach allowed the model to consider spatial relationships, leading to more accurate delineation of urban and rural areas compared to traditional rule-based methods. The final HUR map was evaluated against an independent dataset from the Demographic and Health Survey (DHS), demonstrating superior agreement with urban and rural labels, thereby underscoring the importance of incorporating neighborhood information in urban-rural classification.
Results
In the results section, the performance of HUR maps was evaluated against SMOD using rural and urban labels from the DHS dataset. At the continental scale, HUR maps consistently outperformed SMOD, with HUR2016 and HUR2020 achieving kappa values of 0.47-0.48 and accuracies of 0.65-0.66, compared to SMOD’s kappa values of 0.37-0.38 and accuracies of 0.56-0.57. The target dataset performed the least well, with a kappa of 0.25 and accuracy of 0.53.
Class-specific evaluations revealed that for the Non-HS class, SMOD2020 had the highest precision (0.812) but a low recall (0.421), indicating under-detection of Non-HS areas. In contrast, HUR2020 demonstrated a more balanced performance with a precision of 0.685 and recall of 0.79. For the Rural class, HUR maps achieved the highest precision (0.757), while SMOD exhibited higher recall (0.509), suggesting it identifies more rural areas but incurs false positives due to its coarser spatial resolution. In the Urban class, SMOD had a very high recall (0.911-0.921) but low precision (0.439-0.460), indicating an overestimation of urban areas. HUR maps provided a better balance with recall values of 0.833-0.851 and higher precision (0.543-0.568). These findings highlight that while SMOD captures urban areas broadly, its 1 km resolution inflates urban extents and reduces precision, whereas HUR’s finer 10 m resolution effectively captures rural-urban heterogeneity, resulting in improved overall accuracy.
Discussion
In the discussion section of the research paper, the authors highlight the application of the Demographic and Health Surveys (DHS) dataset for comparative analyses of urban and rural development trends, particularly in Nigeria. They present a time-series analysis of the wealth index, revealing significant disparities between urban (0.321, 0.438, 0.466) and rural (0.162, 0.248, 0.235) areas across survey years (1999, 2003, 2008). The authors also note that child mortality rates are consistently higher in rural areas, underscoring the potential benefits of urbanization. However, they point out the limitations of DHS data, which lacks spatially explicit urban-rural maps, restricting its applicability for comprehensive longitudinal studies. The integration of high-resolution, time-series rural-urban maps could enhance the utility of such datasets, as demonstrated by Pettersson et al., who generated a poverty map for Africa using DHS data.
The authors further discuss the availability of global datasets like the Global Human Settlement Layer (GHSL) and the Global Urban-Rural Mapping Project (GRUMP), which provide valuable long-term coverage but suffer from coarse spatial resolution (typically 1 km) and rule-based classifications that may not accurately reflect urban-rural distinctions. They emphasize the need for precise spatial data, particularly in Africa, where rapid urban growth and pronounced inequalities necessitate accurate mapping for effective resource allocation and climate resilience strategies. The study aims to address these gaps by employing remote sensing satellite imagery and advanced machine learning techniques to generate high-resolution urban-rural maps, thereby improving the accuracy of urban-rural classifications and supporting more informed decision-making in the context of urbanization and development.