EN中文

热带地理 >

2025 , Vol. 45 >Issue 12: 2265 - 2280

DOI: https://doi.org/10.13284/j.cnki.rddl.20250079

经济地理

基于多源开放数据的城市非正式住区空间分布及趋势研究

  • 朱静怡 , 1, 2 ,
  • 陈爽 , 1, 2
展开
  • 1. 南京信息工程大学 地理科学学院，南京 210044
  • 2. 南京信息工程大学 “一带一路”城市可持续发展研究院，南京 210044
陈爽（1968—），女，湖南湘潭人，博士，教授、博士生导师，主要研究方向为城市生态及人居环境、城市与区域可持续发展，（E-mail）。

朱静怡（1999—），女，江苏扬州人，硕士研究生，主要研究方向为城市化过程，（E-mail）；

收稿日期: 2025-02-11

  修回日期: 2025-05-01

  网络出版日期: 2025-12-25

基金资助

国家自然科学基金项目(42161144003)

国家自然科学基金项目(41771140)

收起

Spatial Distribution and Trend of Informal Settlements Based on Multi-Source Open Data

  • Jingyi Zhu , 1, 2 ,
  • Shuang Chen , 1, 2
Expand
  • 1. School of Geographical Sciences, Nanjing University of Information Science & Technology, Nanjing 210044, China
  • 2. Research Centre of Urban Sustainable Development, Nanjing University of Information Science & Technology, Nanjing 210044, China

Received date: 2025-02-11

  Revised date: 2025-05-01

  Online published: 2025-12-25

Fold

摘要

了解非正式住区的位置规模、分布规律和未来土地需求对于减少贫困、优化土地利用和促进城市可持续发展具有重要意义。文章以撒哈拉以南非洲城市内罗毕和达累斯萨拉姆为例，基于Google Earth高分辨率影像、OpenStreetMap数据和建筑轮廓数据，利用机器学习分类等方法识别非正式住区，进而探究其空间分布规律和趋势。结果表明：1）在3种机器学习算法中，随机森林算法在非正式住区提取上的总体表现优于逻辑回归和支持向量机，Kappa系数达85%；建筑物特征对分类的总贡献度超过50%，起最关键作用。2）内罗毕和达累斯萨拉姆的非正式住区占城市总面积的比例分别为3.64%和21.69%，2个城市各识别出7个明显的集聚区，人口规模分别为3.47万~31.35万人、2.93万~129.41万人。非正式住区主要分布在缓坡、主要道路和水系沿线地区，且多位于城市中心区5 km以外，但在工业指向性上内罗毕显著高于达累斯萨拉姆。3）内罗毕非正式住区人均建筑面积仅为达累斯萨拉姆的一半，其人口拥挤和房屋紧凑程度更为严重。预计至2050年，2座城市将面临日益严峻的土地资源紧张困境与住区正规化挑战。因此，非正式住区的改造与升级亟待立足长远，采取前瞻性策略加以推进。

关键词： 城市非正式住区; 机器学习; 多源开放数据; 土地资源; 非洲

本文引用格式

朱静怡 , 陈爽 . 基于多源开放数据的城市非正式住区空间分布及趋势研究[J]. 热带地理, 2025 , 45(12) : 2265 -2280 . DOI: 10.13284/j.cnki.rddl.20250079

Abstract

Informal settlements generally refer to low-quality residential areas built without government permission and characterized by poverty and insufficient basic services. Understanding their location, size, spatial distribution patterns, and future land demand is crucial for reducing poverty, optimizing land use, and promoting sustainable urban development. Using the sub-Saharan African cities of Nairobi and Dar es Salaam as case studies, based on multi-source open data, including Google Earth high-resolution imagery, OpenStreetMap data, and building footprint datasets, this study compared the performances of three machine learning classification methods (logistic regression, support vector machine, and random forest) in identifying informal settlements. After extracting informal settlements using the best-performing model, the spatial distribution patterns and trends of urban informal settlements in both cities were analyzed. Results showed the following: (1) The random forest model performed better than the support vector machine and logistic regression, exhibiting the highest overall accuracy and Kappa coefficient; hence, the random forest model had certain advantages in extracting informal settlements in different urban environments. The total contribution of four building features was greater than 50%, indicating that they played the most critical role in distinguishing informal settlements from other land types. (2) Informal settlements constitute 3.64% and 21.69% of the total areas of Nairobi and Dar es Salaam, respectively. Seven distinct agglomeration areas were identified in both Nairobi and Dar es Salaam, with population sizes of 34.7-313.5 and 29.3-1,294.1 thousand, respectively. In the two cities, informal settlements were mainly located in areas with gentle slopes, along rivers and main roads, and five kilometers away from the city center; however, informal settlements in Nairobi exhibited significantly higher industrial orientation than that in Dar es Salaam. (3) The population and building density of informal settlements in Nairobi were higher than those in Dar es Salaam, with the per capita building area in Nairobi being only half that of Dar es Salaam. This showed that the population congestion and housing compactness of informal settlements in Nairobi were more severe. With the increase of urban population, it is projected that by 2050, Nairobi and Dar es Salaam will add 30.26 and 169.96 km2 of informal built-up area, respectively. Under the prospect of informal settlement regularization, the future migrant population and corresponding land demand are expected to triple the current levels. In conclusion, we find a certain similarity in the spatial distribution patterns of informal settlements in Nairobi and Dar es Salaam; however, there are significant differences in their morphological patterns. In the future, both cities are expected to face increasing challenges, such as diminishing land resources and greater difficulties in regularizing informal settlements. Thus, informal settlements require targeted transformation and upgrading measures in combination with urban context differences and future development trends.

Key words： urban informal settlement; machine learning; multi-source open data; land resource; Africa

非正式住区（Informal Settlement）是一种全球性的城市现象（Persello & Stein, 2017），在东亚和东南亚、中亚和南亚、撒哈拉以南非洲、拉丁美洲等地区的发展中国家广泛存在。其一般指缺乏住宅保有权和城市基础设施服务、房屋建设不符合政府规划和建筑法规、常位于地理环境危险区的低质量住区（UN-Habitat, 2015）。截至2020年，全球已有超过10亿人居住在非正式住区（UN-Habitat, 2022）。而以贫民窟为典型的非正式住区改造则成为联合国可持续发展目标（Sustainable Development Goals, SDGs）的第11个目标——可持续城市和社区目标的重要内容，得到各国政府、企业和学界的关注。
尽管非正式住区在景观上与城市规划建成区存在显著差异，在管理上独立于城市行政体系，但其仍是城市有机体的重要组成部分。这类特殊住区在缓解正规住房供给不足方面发挥了关键作用，为大量移民和低收入群体提供相对廉价的住房选择（Wekesa et al., 2011），并带动非正规经济发展，在一定程度上影响城市空间形态和结构（Dovey et al., 2020）。因此，研究非正式住区空间分布及其与城市的关系对于理解城市发展机制、优化空间资源配置等具有重要价值。
联合国人居署依据各国人口普查报告，定期汇总并发布非正式住区的人口数量、居住在非正式住区的城市人口比例等信息。然而，这类宏观统计数据通常仅能反映国家层面的总体情况，既难以获取具体城市的相关信息，也无法实现对非正式住区的空间定位与可视化。与此同时，一些非政府、地方组织通过实地考察与现场测绘参与了非正式住区调查、制图工作，以协助非正式住区改造（Peng et al., 2023）。这类自下而上的实践在一定程度上弥补了官方统计数据在空间维度的不足，有助于识别这些住区的规模与边界。但受制于人力、时间和资源成本，传统调查方式的覆盖范围有限，通常仅涉及城市的少数非正式住区，所获取的空间信息呈现碎片化特征，难以反映城市尺度上非正式住区的整体分布状况。因此，现有数据不足以支撑对非正式住区空间分布的系统性研究。
对于上述困局，遥感技术的发展带来了转机——它为获取城市尺度大范围非正式住区空间信息提供了更为便捷、高效的手段。在影像上，非正式住区主要具备以下特征：空间整体连片分布、房屋紧凑且布局杂乱、道路网络狭窄不规则、缺乏绿色和开放空间、靠近危险地带（Kuffer & Barrosb, 2011; Graesser et al., 2012; Kohli et al., 2012）。这些空间形态和位置特点成为区分非正式住区与正式规划建成区的依据之一。已有文献报道了在个别城市基于单一遥感影像（Hofmann et al., 2008; Kit et al., 2012; Fallatah et al., 2019）或整合多源遥感影像的非正式住区识别工作及成果。如Matarira等（2022a）融合Sentinel-1雷达数据、Sentinel-2和PlanetScope光学影像，并结合面向对象的图像分析方法（Object Based Image Analysis, OBIA）和机器学习算法，区分了南非德班市局部地区的非正式住区与正规建成区。也有学者探索融合多源数据提取非正式住区的方法，以突破单一数据类型的限制，发挥多类数据互补的优势。如Lai和Yang（2020）使用Landsat-8图像与DEM（Digital Elevation Model）、OSM（OpenStreetMap）路网区分了里约热内卢的正式与非正式建筑用地，结果发现，多光谱图像和非光谱数据的融合能大幅提高分类精度；Liu等（2017）融合OSM路网、POI、腾讯实时用户密度数据与Worldview-2影像，以补充遥感影像中无法捕捉的社会属性，识别出广州市海珠区的城中村这一类非正式住区。近年来，大区域尺度高精度建筑单体轮廓识别技术迅速发展，为非正式住区识别提供了更精细的形态数据，但少有研究将该类数据运用于非正式住区提取。
非正式住区空间分布的已有研究可分为微观和宏观2个层面。微观尺度的研究内容多聚焦于空间形态分析，通常选取单一或多个城市的典型非正式住区作为案例，借助形态指数、图论、GIS分析等方法探讨其在街区布局、建筑形态、道路网络结构、土地利用格局等方面的微观特征（Mottelson & Venerandi, 2020; Venerandi et al., 2021； 张家旗， 2021），是对非正式住区的局部认知。相比之下，对非正式住区整体空间分布的规律性认识有赖于宏观尺度的研究，如非正式住区在城市内的分布特征及其在城市之间的差异。然而，城市系统性空间分布信息相对缺乏，导致该类研究报道较少。如Huang等（2015）对深圳和武汉不同年份城中村规模进行对比分析，发现2个城市的城中村面积均有所下降；Friesen等（2018）比较了4个城市贫民窟的规模大小，指出其规模等级分布具有相似性；Boanada-Fuchs等（2024）量化分析30个城市的贫民窟位置，结果表明，仅约一半的贫民窟位于市政管理边界内。这些报道通过多样本分析探讨了非正式住区在城市中的位置、规模等基本特征，但其空间分布规律尚未可知。此外，认知人口、建筑密度特征及其分布模式对于揭示非正式住区的空间组织结构具有重要意义，然而当前仅有少量学者关注这些密度特征与城市非正式住区的关系（Ren et al., 2020; Tu et al., 2024），对此亟需进一步深入研究。
非洲地区，尤其是撒哈拉以南非洲，已成为全球城市化速度最快的地区（张家旗 等， 2019）。这一地区不仅是人口增长的热点区域，其剧烈的城市空间扩张更是对土地利用模式、区域生态环境构成深远影响与多重挑战（Boanada-Fuchs et al., 2024）。非洲的城市化进程呈现出显著的“非正规性”和郊区化发展趋势（张家旗 等，2018；Quaye et al., 2022; Boanada-Fuchs et al., 2024），非正式住区广泛、持续地出现并扩张，导致非洲土地资源压力与日俱增。因此，探究非正式住区变化对土地的潜在影响，对于提升城市规划建设水平、完善城市治理策略以及推动城市可持续发展具有关键作用。
因此，本研究以撒哈拉以南非洲城市内罗毕、达累斯萨拉姆为研究区，使用Google Earth影像、OSM数据、建筑轮廓等多源开放数据，基于机器学习技术探索非正式住区的高效提取方法；在此基础上，进行城市非正式住区的空间分布研究，探讨人口增长与改造情境下可能新增的建筑用地数量。以期认知非正式住区分布规律，并为改善城市贫困和制定城市规划策略提供科学支撑和依据。

1 研究区与数据来源

1.1　研究区概况

内罗毕（Nairobi）位于肯尼亚南部（图1），是肯尼亚的首都，也是非洲城市化速度最快的城市之一。该市由17个分县（Sub-county）和84个亚区（Ward）组成。截至2020年，该城市人口总量达到439.68万，估计约半数以上人口居住在仅占城市住宅用地面积5%的非正式住区中（Amnesty International， 2009），该类住区内部人口密度极高。
图1 肯尼亚内罗毕和坦桑尼亚达累斯萨拉姆城市位置及行政区范围

注：本图中非洲各国边界基于国家测绘地理信息局标准地图服务网站下载的审图号为GS（2016）1667号的标准地图制作，底图边界无修改。肯尼亚行政区划边界底图来自GADM（https://www.gadm.org/），坦桑尼亚行政区划边界底图来自坦桑尼亚国家统计局（https://www.nbs.go.tz/）。

Fig.1 Location and administrative boundaries of Nairobi in Kenya and Dar es Salaam in Tanzania

达累斯萨拉姆（Dar es Salaam）位于坦桑尼亚东部沿海，是坦桑尼亚的前首都和重要港口城市，由5个区（District）和102个亚区（Ward）组成。过去几十年间，达累斯萨拉姆经历了以非正式住区扩张为主导的快速城市蔓延和人口增长（张家旗 等， 2018）。1992年该市存在40多个非正式定居点（UN-Habitat, 2009），到2003年其数量已超过150个（Kombe, 2005）且持续扩张，其空间总体由城市中心区域沿着4条主干道呈放射状向外蔓延至城市边缘（张家旗 等，2018）。2020年，城市总人口约527万，估计80%以上人口生活在基础设施薄弱的非正规、无规划的土地之上（UN-Habitat, 2010）。

1.2　数据来源

本研究使用的遥感影像数据包括：1）高分辨率影像为2023年获取的Google Earth第19级影像，空间分辨率为0.6 m，包括红、绿、蓝3个波段；2）Sentinel-2 影像为2023年6月采集的L1C级产品，经大气校正等处理后得到L2A级产品，用于达累斯萨拉姆图像分割的优化；3）2012年达累斯萨拉姆土地覆盖数据来自达累斯萨拉姆海岸带应对气候变化项目 1，该数据将建成区分为连续和不连续2类。
本研究使用的其他地理空间数据包括：1）内罗毕行政区划边界来自GADM 2。达累斯萨拉姆的区、亚区边界来自坦桑尼亚国家统计局 3，次亚区（Sub-ward）边界来自达累斯萨拉姆Resilience Academy气候风险数据库 4，去除城市周围面积较小的岛屿。2）道路、河流数据来自OpenStreetMap 5。3）建筑轮廓数据为基于Google Earth Engine平台获取的2023年Open Buildings V3 Polygons数据。4）高程数据为SRTM 30m数字高程产品 6。5）城市中心区、工业区、正式住区数据由人工目视解译得到。6）人口数据为WorldPop 7提供的2020年Unconstrained Individual countries 100 m人口栅格数据。
将以上所有数据的投影坐标系统一设定为WGS_1984_UTM_ZONE_37S，确保各数据的空间位置一致。

2 非正式住区提取方法

厘清非正式住区的物理特点对于刻画非正式住区的特征至关重要。内罗毕非正式住区普遍具备房屋单体规模小且密集紧凑、植被稀少、道路狭窄等典型特点。对此，本文以道路、河流分割后的地块作为基本制图单元，计算各单元内的非正式住区特征信息，采用机器学习算法利用训练样本实现模型构建、分类并进行精度评价。达累斯萨拉姆非正式住区分布范围较广，由中心向外围呈现为高密度、中密度、低密度3种分布特征（United Republic of Tanzania, 2016），因此针对该城市不同密度类型的非正式住区，采取不同方法进行提取。首先，将达累斯萨拉姆连续建成区范围内的272个次亚区合并作为高密度非正式住区的提取范围（区域Ⅰ），该范围以外的其他城市区域作为中低密度非正式住区的提取范围（区域Ⅱ）。由于达累斯萨拉姆的高密度非正式住区与内罗毕的非正式住区在物理形态上存在一定相似性，因此采用相同的方法获取其空间信息。其次，在中低密度非正式住区提取范围内，结合谷歌影像和城市规划文件（United Republic of Tanzania, 2016），以道路为边界剔除规划区域，并构建30 m×30 m渔网对剩下范围进行分割，计算格网的房屋覆盖率，反复试验将覆盖率≥8%的格网作为中低密度非正式住区。提取结果统一用30 m精度格网表示，流程见图2。
图2 非正式住区提取流程

Fig.2 Framework of informal settlements extraction

2.1　基本单元划分

基本单元划分思路大致为：1）筛选出铁路、一级道路、二级道路、三级道路、居民道路5类地面交通线网和河流，参考卫星影像，对以上线性空间数据进行修正与拓扑处理，分别建立缓冲区，形成独立的地块单元。2）采用归一化植被指数NDVI（Normalized Difference Vegetation Index）并设定阈值以提取连续分布的植被（崔成 等，2022；赵梓彤 等，2024）。由于达累斯萨拉姆部分高密度非正式住区与大片连续植被相连，因此基于Sentinel-2影像计算NDVI并经过多次试验，确定NDVI≥0.33用于提取植被，以便将其与非正式住区分离，实现图像分割的优化（Niebergall et al., 2008）。3）删除面积较小的碎屑，得到最终地块单元。

2.2　特征体系构建

从谷歌影像和建筑轮廓数据中获取多个类别特征，以描述非正式住区，包括光谱、纹理和建筑物特征，共选取16个特征变量（表1）。
表1 特征及其描述

Table 1 Features and descriptions

特征类型 特征名称 特征描述
光谱特征 均值 各波段的光谱平均值
标准差 各波段的光谱标准差
亮度 所有波段的亮度加权平均值
最大差分值 所有波段的亮度差异最大值
纹理特征 对比度 反映图像中局部灰度变化总量
同质性 度量图像局部灰度均匀性
熵 表示图像中纹理的非均匀程度或复杂程度
相异性 度量与对比度相类似，但为线性增加
建筑物特征 平均建筑物面积/m² 建筑屋顶总面积/建筑物数量，公式为： ∑ i = 1 n S i/n
建筑密度/% 建筑屋顶总面积/地块单元面积，公式为： ∑ i = 1 n S i/S
建筑物数量密度/个 单位公顷面积内建筑的数量，公式为：n/S
平均建筑物最邻近距离/m 地块单元内建筑物质心到其最邻近建筑物质心距离的平均值，公式为： ∑ i = 1 n d i /n

注：建筑物特征计算公式参考文献（张涛 等，2021）。Si 为地块单元内某一建筑物屋顶的面积；S为地块单元的面积；di 表示单元内某一建筑物到其最邻近建筑物的距离；n为单元内建筑物的数量。

光谱特征是区分地物的基本特征。选取R、G、B波段的均值、标准差以及亮度、最大差分值共8个特征。纹理特征可提供图像中的纹理和结构信息，而灰度共生矩阵（Gray-level Co-occurrence Matrix，GLCM）是目前应用广泛的一种纹理统计分析方法，常用的特征统计量主要有均值、方差、同质性、对比度、相异性、熵、角二阶矩、相关性等。参考已有研究（Owen & Wong, 2013; Fallatah et al., 2019; Matarira et al., 2022b），并选取样本对比各纹理特征属性，最终选取同质性、对比度、熵和相异性4个纹理特征参数，取0°、45°、90°、135°等4个方向特征值的平均值作为最终纹理分量。依据非正式住区内部建筑物特点并参考相关文献（Fallatah et al., 2019；张涛 等，2021），选取平均建筑物面积、建筑密度、建筑物数量密度、平均建筑物最邻近距离4个建筑物特征。光谱和纹理特征使用eCognition 9.0提取，建筑物特征通过ArcGIS 10.8计算得到。

2.3　机器学习分类

不同城市在影像色调以及城市结构、非正式住区外观上存在差异，在所有城市采用统一的分类模型来识别非正式住区存在困难（Duque et al., 2017），因此有必要针对不同城市分别构建机器学习分类模型。本研究使用逻辑回归（Logistic Regression, LR）、支持向量机（Support Vector Machine, SVM）、随机森林（Random Forest, RF）3种常用的机器学习算法，对比各算法在识别不同城市非正式住区中的性能。其中，在训练LR和SVM模型前需对特征进行标准化处理，并使用网格搜索确定各模型最优超参数。
参考谷歌、街景影像和非正式住区的定义，根据以下特征选择非正式住区样本：1）从VHR影像上看，建筑密度高，聚集成团，排列杂乱，道路狭窄且多死胡同，缺乏植被和开放空间。2）从街景影像上看，一般由铁皮、木板等非永久性材料简易搭建，基础设施落后，环境卫生脏乱。最终在内罗毕和达累斯萨拉姆分别选择1 473和1 219个样本，前者包括406个非正式住区样本和1 067个正式样本，后者包括314个非正式住区样本和905个正式样本，基于二分类法人工标记样本标签。其中，正式样本包含正式居住用地、商业、工业、绿地等用地类型。随机抽取各城市样本数据集中的70%样本作为训练集，剩余30%则作为测试集用于评估分类模型的性能，生成混淆矩阵对测试集进行验证，选取精确率（Precision）、召回率（Recall）、F 1分数、总体精度（Overall Accuracy， OA）、Kappa系数作为精度评价指标。

3 结果与分析

3.1　非正式住区提取结果

3.1.1　模型精度评价

结果（表2）显示，3种机器学习算法中，RF算法的总体精度和Kappa系数最高，其中Kappa系数在2个城市均超过85%，表明其分类结果与地面实际情况一致度较高。就精确率而言，在内罗毕LR算法表现最佳，说明其对非正式住区的错分较少，其次为RF算法；在达累斯萨拉姆，SVM算法的错分误差最小，其次为RF算法。从召回率看，在内罗毕，RF算法的召回率最高，说明其对非正式住区的漏分最少，而在达累斯萨拉姆，LR算法的漏分误差最小，其次为RF算法。F 1分数为精确率和召回率的调和平均值，可综合反映模型对非正式住区的提取情况，从该指标看，RF算法在2个城市的F 1分数均高于另外2个算法，表明其在非正式住区识别的准确性和完整性之间实现了较优平衡。
表2 各模型分类精度评价

Table 2 Classification accuracy of different machine learning methods

城市 模型 精度/%
精确率 召回率 F 1分数 总体精度 Kappa
内罗毕 LR 93.22 87.30 90.16 94.57 86.42
SVM 86.51 87.20 86.85 92.53 81.64
RF 91.20 90.48 90.84 94.80 87.20

达累

斯萨

拉姆

 LR 83.91 86.90 85.38 93.17 80.93
SVM 92.47 82.69 87.31 93.17 82.66
RF 91.14 85.71 88.34 94.81 85.01
综合而言，在2个城市，虽然3种机器学习算法的精度差距较小，但RF算法总体仍优于LR和SVM算法。该算法通过集成多棵决策树的平均输出确认最终分类结果，模型泛化能力强，同时对异常值和噪声的敏感性较低，能有效处理非线性关系和高维数据，使RF算法在识别复杂的非正式住区时展现出更高的分类精度。

3.1.2　特征重要性评估

为进一步探究不同特征对模型分类过程的贡献度并识别关键变量，增强模型的可解释性，本研究采用RF模型的“feature_importances_”属性对16个特征变量的重要性进行评估和排序（图3）。结果表明，非正式住区因地区的不同而在屋顶颜色、建筑布局等存在差异，因而各类特征对不同区域非正式住区提取的重要性也显著不同。在特征重要性排序中，4个建筑物特征排序靠前，贡献度总和均超过50%，说明该类特征在2个城市非正式住区识别中具有良好的区分度。其次，在内罗毕（图3-a），光谱特征贡献度之和大于纹理特征，而达累斯萨拉姆（图3-b）则相反。主要原因在于，内罗毕大部分非正式住区墙壁和屋顶由铁皮、金属板等临时性材料建成，在影像上常为白色、银色、暗砖红色（图4），与正式建筑多样的光谱色调差异明显，且建筑物排列较为统一，其布局具有规律性，因此光谱特征对于内罗毕非正式住区识别起相对重要的作用，而与正式建筑相似的规则建筑布局使纹理特征的重要性偏小。在达累斯萨拉姆，非正式住区房屋建筑材料、样式与正式住区相似，建筑质量并不差，多使用永久性和半永久性材料（United Republic of Tanzania, 2016；张家旗，2021），材料种类繁多，屋顶色彩多样，然而当地建筑物聚集成团、朝向杂乱、排列布局有机不规则，纹理显著区别于正式地块，因此在分类中纹理特征的重要性高于光谱特征。
图3 两个城市随机森林模型特征变量的重要性排序

Fig.3 The importance ranking of feature variables of random forest models in two cities

图4 内罗毕和达累斯萨拉姆各用地类型的城市影像对比

Fig.4 Comparison of urban imagery for each land use type in Nairobi and Dar es Salaam

3.1.3　分类结果

使用精度最高的RF模型分别对内罗毕和达累斯萨拉姆高密度非正式住区进行提取。为进一步验证分类的准确率，各城市随机选择500个分类结果抽查。结果显示，在内罗毕，145个非正式住区地块中有128个被识别出，总体准确率为93.6%；在达累斯萨拉姆，114个非正式住区地块中有109个被识别出，总体准确率为95.2%。总体而言，2个城市的非正式住区空间分布与实际情况较为吻合（图5），满足后续分析的需要。
图5 两个城市的非正式住区提取结果

Fig.5 Extraction results of informal settlements in two cities

计算得到内罗毕非正式住区面积约25.93 km²，占城市总面积的3.64%，集中在城市中、西部，北部也有少量呈零散状分布。达累斯萨拉姆非正式住区面积约353.42 km²，占比约21.69%，覆盖范围广而分散，是当地重要的居住用地类型。

3.2　非正式住区空间分布特征

3.2.1　集聚特征

借助核密度分析探究非正式住区空间分布的集聚情况。经多次实验，确定2个城市带宽分别为1 500和2 000 m，基于自然断点法将其分级显示，并标记出集聚区的大致范围（图6）。可看出，内罗毕非正式住区呈多核心集聚分布，分别在达戈雷蒂南北与韦斯特兰兹的交界处、基贝拉、恩巴卡西南区、恩巴卡西北区与卡萨拉尼的交界处，形成主要聚集区①②③④；在马萨雷、卡穆昆吉与马卡达拉交汇处、恩巴卡西中区与东区的交汇处构成次要聚集区⑤⑥⑦。
图6 两个城市非正式住区的核密度分布

图注：序号①-⑦代表非正式住区核密度集聚区。下图同。

Fig.6 Kernel density distribution of informal settlements in two cities

达累斯萨拉姆非正式住区核密度值分布呈西高东低、团块状的分布特征，分别在乌本戈中东部、伊拉拉中部和特梅克区构成3个大范围团状高密度集聚区①②③，④⑤处则形成次要集聚区。基农多尼和基甘博尼核密度低值区最多，存在2个相对集聚的次要核心区⑥⑦。其中，基农多尼用地主要为规划住宅区和少量工业区；基甘博尼区尤其是其南部多为未经开发、人口稀少的土地，广泛分布着裸地和植被，非正式住区分布最稀疏。整体上，达累斯萨拉姆非正式住区的空间聚集现象在行政区划范围内广泛存在。

3.2.2　分布规律

非正式住区的选址和形成并非随机，而是多种因素共同作用的结果（Abebe， 2011）。使用空间叠加分析和缓冲区分析，统计非正式住区在自然和区位因素影响下的分布情况。结果（图7）显示，2个城市非正式住区分布与高程关系较小，在各高程下均有分布。坡度方面，0~5°的地区非正式住区分布最多，其次为5°~15°，表明非正式住区的选址更倾向于平缓地带，这些地区通常土地开发成本低，房屋建设难度小，适宜农业与人类活动，吸引低收入人群居住。
图7 影响非正式住区分布的因素及其距离效应

Fig.7 Factors affecting the distribution of informal settlements and their distance effects

内罗毕与达累斯萨拉姆的非正式住区普遍分布在距河流和主要道路＜1.5 km的地区，0~500 m范围内面积比重最大，其面积占比与离道路、河流距离均呈反向变化。尽管一些河流附近土地易受洪水威胁，但接近水源的区位条件使得低收入家庭，特别是缺乏供水设施的居民愿意选择这些低成本、风险较大的区域以便获取水源。同时，道路的存在可显著提高非正式住区与其他区域的连接性及居民的通勤便利性，有利于就业和收入增长。因此，非正式住区倾向集中布局在河流、道路的周边区域。
城市中心区5 km以外范围为非正式住区的主要分布区。这表明，尽管城市中心区拥有多样的就业机会和基础服务，但高昂的生活成本、严格的土地管控、社会层面的排斥等因素使非正式住区的建设面临诸多挑战。因此，相对贫困的城市居民倾向于生活在距市中心一定距离、生活成本低但交通连接性良好的地带，或接近城市边缘。在工业区位上，2个城市非正式住区分布具有明显差异，内罗毕约80%非正式住区距工业用地2.5 km内，而达累斯萨拉姆有近60%的非正式住区距工业区超过2.5 km，这一差异与工业区的位置密切相关。内罗毕工业区主要位于中部，与交通枢纽、道路的联系紧密，生活在工业区周围不仅有利于获取就业机会，也有助于降低生活和通勤成本。达累斯萨拉姆的工业分布与城市港口功能有关，大量工业区呈带状聚集在城市中心区附近，生活成本较高，限制了非正式住区在工业区周围的发展。

3.3　非正式住区人口和建筑分布

3.3.1　非正式住区人口估算

考虑到WorldPop数据集的时间范围，以及2个城市非正式住区及其内部建筑在2020—2023年的空间分布基本稳定、未出现明显变化，故本研究基于2023年非正式住区提取结果与2020年WorldPop人口数据，估算2020年非正式住区及各集聚区的人口数量。表3显示，内罗毕非正式住区共容纳123.24万人，其中集聚区④的人口数量最多，主要涵盖Korogocho、Dandora等非正式住区，人口数量次之的是由Kawangware和Estate非正式住区组成的集聚区①，以及Kibra、Mathare贫民窟分别所在的集聚区②和⑤。达累斯萨拉姆非正式住区人口约为414.93万，占城市总人口的75%以上。位于特梅克区的集聚区③和接近中心城区的集聚区④人口规模最大，涵盖Tandale、Manzese、Kigogo、Charambe等高密度非正式住区，其次为集聚区①②。
表3 非正式住区集聚区人口规模

Table 3 Population size of agglomeration areas in informal settlements

城市 集聚区 人口/万人
内罗毕 ① 24.21
② 17.87
③ 10.56
④ 31.35
⑤ 15.50
⑥ 3.47
⑦ 3.71
达累斯萨拉姆 ① 66.48
② 51.87
③ 129.41
④ 89.04
⑤ 7.25
⑥ 2.93
⑦ 3.73

3.3.2　非正式住区与正式住区的密度比较

基于人口栅格和建筑轮廓数据，计算不同类型住区的人口密度、建筑密度以及人均建筑面积。结果（表4、5）表明，内罗毕的非正式住区往往是人口和建筑高度聚集的主要区域，人口密度约为正式住区的5倍，其中集聚区②⑤的Kibra、Mathare贫民窟人口密度甚至超过7万人/km2，建筑密度均超过0.6。达累斯萨拉姆非正式住区的密度则相对较低，其人口密度、建筑密度分别约为内罗毕的1/4和1/2，接近城市中心的③④集聚区人口和建筑密度最高，且非正式与正式住区的密度差异较小。总体上，内罗毕非正式住区的人口与建筑拥挤状况远超过达累斯萨拉姆。
表4 非正式与正式住区的密度估算结果

Table 4 Density estimation results of informal and formal settlements

城市 住区类型 人口密度/（人·km-2） 建筑密度/% 人均建筑面积/m2
内罗毕 非正式 47 534 52.10 10.96
正式 8 670 18.54 21.39
达累斯萨拉姆 非正式 11 740 23.68 20.17
正式 6 085 11.78 19.40

注：人口密度=人口数量/住区面积，建筑密度=建筑物轮廓面积之和/住区面积，人均建筑面积=建筑物轮廓面积之和/人口数量。

表5 非正式住区集聚区密度估算结果

Table 5 Density estimation results of agglomeration areas in informal settlements

城市 集聚区 人口密度/（人·km-2） 建筑密度/%

人均建筑

面积/m2
内罗毕 ① 57 598 47.45 8.24
② 76 152 61.38 8.06
③ 39 392 63.65 16.15
④ 43 633 51.66 11.84
⑤ 130 777 66.49 5.08
⑥ 35 249 47.56 13.49
⑦ 29 370 53.01 18.05

达累斯

萨拉姆

 ① 7 964 21.31 26.76
② 8 946 21.53 24.07
③ 21 973 30.33 13.81
④ 46 517 44.94 9.66
⑤ 5 299 19.58 36.94
⑥ 7 476 24.46 32.71
⑦ 6 846 27.41 40.04
其次，在人均建筑拥有量上，内罗毕正式住区约为非正式住区的2倍，集聚区①②⑤人均建筑面积最少。从空间（图8）上看，2种类型住区的人均建筑面积均大致呈现中、西部低的特征。相较于内罗毕，达累斯萨拉姆非正式住区的人均建筑面积与正式住区的差异小，且相比后者更大，两者人均居住空间均呈现显著的由城市中心向边缘逐渐增大的分布格局。基甘博尼区的部分正式住区因存在广泛的植被且无房屋分布，这些住区部分区域的人均建筑面积为零，即图8呈现的蓝色零值区。
图8 非正式与正式住区人均建筑面积分布

Fig.8 Distribution of per capita building area in informal and formal settlements

3.3.3　未来非正式住区改造的土地需求估算

非正式住区改造的主要任务之一是降低人口密度和完善基础设施。一般通过集中化整治中低密度区、迁出高密度区人口等措施来实现人口密度合理化。基于非正式和正式住区的密度估计结果，可对2020和2050年非正式住区改造的土地需求进行测算。
1）2020年改造情景
在该情景下，假设以2020年正式住区的平均人口密度作为规划基准，将人口密度超过该基准值的非正式住区识别为高密度住区，并实施人口外迁策略。经计算，2座城市需迁移的潜在人口规模分别有91.47万和196.75万人（表6）。在政府提供正式安置用地的条件下，依据表4中的正规住区人均建筑面积推算，则该部分迁移人口所需的建筑面积需求约为19.57和38.17 km2。
表6 建筑用地需求估算

Table 6 Demand estimation of construction land

年份 人口与建筑用地指标 内罗毕

达累斯

萨拉姆
2020 非正式住区人口/万人 123.24 414.93
密度合理化后人口迁移数量/万人 91.47 196.75
密度合理化后人口迁移所需建筑面积/km² 19.57 38.17
2050 非正式住区人口/万人 399.30 1 257.56
新增非正式住区人口数量/万人 276.06 842.63
新增非正式建筑面积/km² 30.26 169.96
密度合理化后人口迁移数量/万人 296.36 596.31
密度合理化后人口迁移所需建筑面积/km² 63.39 115.68

注：2050年新增非正式建筑面积=［2050年城市总人口×非正式住区人口占比-2020年非正式住区人口］×非正式住区人均建筑面积；2050年密度合理化后人口迁移所需建筑面积=2050年城市总人口×非正式住区人口占比×迁移率×正式住区人均建筑面积；其中非正式住区人口占比、迁移率根据现状测算。

2）2050年改造情景
随着城市人口的增长，预计至2050年，2座城市人口将分别达到1 424.56万和1 597.31万人（Institute for Economics & Peace, 2023）。假设维持2020年非正式与正式住区的既有人口结构，2050年非正式住区所承载的人口数量将分别增至399.3万和1 257.56万人，这一增长对应的新增非正式建筑用地将分别为30.26和169.96 km2。在此基础上，若延续情景1中密度调控的规划设定，在非正式住区人口迁移比例不变的情况下（内罗毕20.8%，达累斯萨拉姆37.33%），预计分别有296.36万和596.31万人需迁出，安置这些居民所需要的建筑用地将为2020年人口迁移所需面积的3倍左右。
采用敏感性分析方法评估高密度区人口迁移所需建筑面积对输入参数的敏感程度。主要计算参数包括正式住区人口密度、正式住区人均建筑面积，以及2050年城市总人口、非正式住区迁移人口占城市人口的比重。通过在（-30%，+30%）范围内变动特定参数（其余参数保持不变），进而得到敏感度系数（建筑面积变化率与输入参数变化率之比）。结果表明，人口迁移所需建筑面积对所有参数都较为敏感。在2020年情景下，正式住区人口密度的敏感度系数低于正式住区人均建筑面积。当内罗毕与达累斯萨拉姆的正式住区人口密度增加30%时，所需建筑面积将分别减少9%和13.5%；而正式住区人均建筑面积增加30%时，建筑面积将相应增加约30%。在2050年情景下，所需建筑面积变化与2050年城市总人口、非正式住区迁移人口比重变化近似呈等比例增减关系。因此，在推进非正式住区改造时，可通过减少人均建筑面积、适度上调规划人口密度基准等措施，以缓解安置用地需求压力。

4 讨论与结论

4.1　讨论

相较于大量依赖昂贵高分辨率商业影像的研究，本文基于Google Earth影像、OSM数据、建筑轮廓数据等多源开放地理空间数据，通过构建机器学习分类模型探索了城市非正式住区高效低成本的提取方法。以往研究常采用面向对象分析方法进行非正式住区识别，然而该方法影像分割受分割参数影响大，不同城市需反复试验和调整（Kohli et al., 2013; Fallatah et al., 2019），且随着影像分辨率提升和覆盖范围扩大，分割效率显著下降，在大范围、多城市场景下的地物提取中存在局限性。
本研究基于道路、河流等线要素对影像进行分割，将其形成的地块作为最小分类单元，能有效控制单元尺度，统一划分规则，减少因人为调整分割参数带来的误差。这些地块通常对应城市中的街区等结构单元，其内部土地利用和功能属性较一致（张涛 等，2021），且易与建筑物等空间数据结合，实现多源数据的特征融合。本文发现，在分类中，4个建筑物特征排序靠前，贡献度总和远超过光谱和纹理特征，对非正式住区识别起关键作用。与城市正式建成区相比，非正式住区房屋往往具有密度高、距离近等独特的建筑形态特征，利用建筑轮廓数据识别建筑要素之间的空间关联与分布模式，并结合影像特征，能显著提高非正式住区与其他区域的区分度。从模型精度（见表2）看，在2个城市中，随机森林模型的表现整体优于逻辑回归和支持向量机，体现该模型在非正式住区信息提取中具有一定的优越性。进一步对分类误差分析发现，大多数建筑密度高、房屋紧凑的典型非正式住区，无论是在影像还是建筑特征上，均与周围正式环境差异显著，因此能被完整识别。但少数建筑密度低且排列相对整齐、植被或裸地覆盖较多的区域，由于非正式特征并不显著，因此易被漏分。在错分误差上，非正式住区主要与少数高密度正式住宅区存在混淆，它们共同特征为建筑覆盖率高且间距小、绿化率低。在数据可获取的情况下，之后可结合其他图像特征、社会指标（就业、收入、基础设施）或融合街景、POI等社交媒体数据，以作为本研究数据源的补充，提供更丰富的信息，从而更准确合理地解释和识别不同类型的非正式住区。此外，人为标记样本标签时存在的主观差异，会对非正式住区提取造成一定影响，需更多咨询当地专业人士或实地调查，以进一步提升人工标记的可靠性。
内罗毕与达累斯萨拉姆的非正式住区在空间分布规律上具有相似性，如普遍位于坡度平缓、靠近河流道路、远离城市中心的地区，但在规模和分布格局上差异明显，两者分别呈现团聚和分散2种形态。受殖民时期采用的种族隔离城市规划影响，非正式与正式“空间隔离”的特征至今在内罗毕依然延续（黄正骊，2018）。同时受制于高度严格的土地管制，非正式住区占用的土地空间相对有限和集中。而达累斯萨拉姆非正式住区与正式住区的界限较为模糊（张家旗 等，2018），且非正式住区在城市中的面积占比约为内罗毕的6倍，其几乎可在各个亚区找到，其无序蔓延、杂乱分布的现象更为突出。这主要归因于政府态度的转变（Kombe, 2005）及其规划管理能力的不足。20世纪70年代后，坦桑尼亚政府对非正式住区的态度由“清除”转变为“升级和改造”，其实施的一系列土地政策（如启动产权注册项目、发放“居住许可证”），在一定程度上保障了非正式住区的合法地位（Manara, 2022）。随着城市人口的迅速增长，住房供应严重不足，而政府在规划执行和土地监管方面能力较弱，导致非法建设和非正规住房交易缺乏有效约束，进一步加剧了非正式住区的扩张与无序发展。由此说明，2个城市展示的团聚和分散2种截然不同的非正式住区形态，产生在历史和土地政策背景下，但该结论的普遍性仍需更多案例证实。
此外，本研究基于WorldPop人口数据的估算结果显示：达累斯萨拉姆约414.93万人居住在非正式住区，占城市总人口的78.73%，该比例位于其他调查报道的70%~80%（UN-Habitat, 2010; Kombe & Muheirwe, 2025）；内罗毕非正式住区人口数量为123.24万，占城市总人口的28.03%，这一比例与使用相同人口数据的Ren等（2020）的估算值（25%）相近，但显著低于早期研究（Amnesty International, 2009; Kuffer et al., 2017）所报道的50%~60%。其主要原因可能在于，WorldPop数据低估了非正式住区的人口规模（Breuer & Friesen, 2023; Breuer et al., 2024）。Thomson等（2021）评估了不同网格人口数据在统计拉各斯、哈科特港、内罗毕贫民窟人口中的准确性，结果表明，所有数据集均存在显著低估问题，基于建模的WorldPop网格人口数据存在协变量分辨率低、模型噪声大等局限，且未将贫民窟住区纳入模型训练和验证过程，易导致非正式住区的高人口密度特征被掩盖。在本研究中，达累斯萨拉姆非正式住区人口估算与实际情况较为吻合，而在内罗毕则出现明显的低估现象。由此可见，WorldPop数据在用于不同城市或地区的非正式住区人口估算时，其适用程度存在差异。若按照Kuffer等（2017）提出的非正式住区人口占比为60%进行推算，则2020年内罗毕非正式住区人口数量、人口密度分别为263.81万、101 739人/km²，人均建筑面积仅约5.12 m2/人（本文10.96 m2/人）。上述对比表明，内罗毕非正式住区人均建筑面积可能被高估（约50%），所测算的实施改造所需建筑面积则可能偏低（约50%）。
综上，未来城市规划及非正式住区改造可从以下方面考虑。针对内罗毕非正式住区土地空间集中、人口和建筑高度聚集的特点，可通过加强城市边缘地区的经济发展和基础设施建设、优化产业布局、引导人口向外围迁移，从而缓解中西部地区的人口和住房压力；同时，推动形成时间较晚、人口密度低的非正式住区优先正规化。针对达累斯萨拉姆非正式住区覆盖范围广、由中心向外围杂乱无序程度上升的情况，可通过分区管理和规划优化空间形态；再者，引导远离城市中心的中低密度非正式住区沿路网发展，基于道路网络规范用地布局，使其集中化便于管理；此外，推动房屋垂直向上发展，以代替无序的单层建筑横向蔓延和提升土地利用效率。对城市非正式住区现状和未来发展趋势的研究，将有助于制定长期的合理可行的综合规划；加强国际合作交流，借鉴其他城市治理非正式住区的成功经验，更有利于推动可持续发展目标的实现。

4.2　结论

本研究以内罗毕和达累斯萨拉姆为例，分析集成了一种基于Google Earth影像、OpenStreetMap、建筑轮廓等开放数据和机器学习方法的城市非正式住区空间信息高效提取方法，并运用该方法揭示了非正式住区在规模、位置、聚散格局和密度上的空间结构特征，探索了城市非正式住区的发展规律，为同类研究提供了可借鉴的研究思路与方法。在此基础上，分析了不同情景下案例城市非正式住区改造的用地需求趋势。主要结论如下：
1）在非正式住区的空间信息提取中，随机森林算法的总体表现优于逻辑回归和支持向量机算法，其总体精度和Kappa系数均为最高；建筑物特征对模型分类的总贡献度超过50%，起最关键的作用。
2）内罗毕与达累斯萨拉姆非正式住区规模分别占城市面积的3.64%和21.69%，呈现团聚和分散2种截然不同的形态。2个城市非正式住区空间分布规律具有一定的相似性，主要分布在坡度为0~5°的平缓地区，受河流、主要道路影响较大，多位于城市中心区5 km以外，但在工业指向性上内罗毕显著高于达累斯萨拉姆。
3）内罗毕非正式住区人口及建筑密度均高于达累斯萨拉姆，其人均建筑面积仅为达累斯萨拉姆的一半，人口和房屋建设拥挤问题更为严峻。在不采取措施的情况下，随着城市人口的增加，非正式住区人口及其用地相应增加。预计到2050年，2座城市的非正式住区改造需迁移的人口数量和对应的土地需求将为2020年改造迁移的3倍，面临巨大的土地资源和城市建设压力。

1 http://www.planning4adaptation.org-/Default.aspx

2 https://www.gadm.org/

3 https://www.nbs.go.tz/

4 https://geonode.resilienceacade-my.ac.tz/

5 https://www.openstreetmap.org/

6 http://earthexplorer.usgs.gov

7 https://www.worldpop.org/

朱静怡：研究方案设计，数据处理，论文撰写与修改；

陈 爽：概念构思，研究指导，论文审查与修改，项目支持。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
Abebe F K. 2011. Modelling Informal Settlement Growth in Dar es Salaam, Tanzania. Enschede: University of Twente.

Amnesty International. 2009. Kenya: The Unseen Majority: Nairobi's Two Million Slum-Dwellers. (2009-06-12) [2024-11-02]. https://www.amnesty.org/en/documents/afr32/005/2009/en/.

Boanada-Fuchs A, Kuffer M, and Samper J. 2024. A Global Estimate of the Size and Location of Informal Settlements. Urban Science, 8(1): 18.

Breuer J H P and Friesen J. 2023. Methods to Assess Spatio-Temporal Changes of Slum Populations. Cities, 143: 104582.

Breuer J H P, Friesen J, Taubenböck H, Wurm M, and Pelz P F. 2024. The Unseen Population: Do We Underestimate Slum Dwellers in Cities of the Global South? Habitat International, 148: 103056.

崔成，赵璐，任红艳，逯伟利，黄耀欢. 2022. 耦合GF-2遥感影像与街景影像的广州市城中村识别. 遥感学报，26（9）：1802-1813.

Cui Cheng, Zhao Lu, Ren Hongyan, Lu Weili, and Huang Yaohuan. 2022. Integrating High-Resolution Remote Sensing and Street View Images to Identify Urban Villages: A Case Study in Yuexiu District, Guangzhou City. National Remote Sensing Bulletin, 26(9): 1802-1813.

Dovey K, Van Oostrum M, Chatterjee I, and Shafique T. 2020. Towards A Morphogenesis of Informal Settlements. Habitat International, 104: 102240.

Duque J C, Patino J E, and Betancourt A. 2017. Exploring the Potential of Machine Learning for Automatic Slum Identification from VHR Imagery. Remote Sensing, 9(9): 895.

Fallatah A, Jones S, Mitchell D, and Kohli D. 2019. Mapping Informal Settlement Indicators Using Object-Oriented Analysis in the Middle East. International Journal of Digital Earth, 12(7): 802-824.

Friesen J, Taubenböck H, Wurm M, and Pelz P F. 2018. The Similar Size of Slums. Habitat International, 73: 79-88.

Graesser J, Cheriyadat A, Vatsavai R R, Chandola V, Long J, and Bright E. 2012. Image Based Characterization of Formal and Informal Neighborhoods in an Urban Landscape. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 5(4): 1164-1176.

Hofmann P, Strobl J, Blaschke T, and Kux H. 2008. Detecting Informal Settlements from QuickBird Data in Rio de Janeiro Using an Object Based Approach. In: Blaschke T H, Lang S, Hay G J. Object-Based Image Analysis: Spatial Concepts for Knowledge-Driven Remote Sensing Applications. Berlin: Springer, 531-553.

Huang X, Liu H, and Zhang L. 2015. Spatiotemporal Detection and Analysis of Urban Villages in Mega City Regions of China Using High-Resolution Remotely Sensed Imagery. IEEE Transactions on Geoscience and Remote Sensing, 53(7): 3639-3657.

黄正骊. 2018. 非洲当代城市中的贫民窟与非正规社区：以内罗毕为例. 国际城市规划，33（5）：62-69.

Huang Zhengli. 2018. Slums and Informal Settlements in Contemporary African Cities: Nairobi as A Case Study. Urban Planning International, 33(5): 62-69.

Institute for Economics & Peace. 2023. Ecological Threat Report 2023: Analysing Ecological Threats, Resilience & Peace. (2023-10-31) [2024-11-02]. https://www.economicsandpeace.org/reports.

Kit O, Lüdeke M, and Reckien D. 2012. Texture-Based Identification of Urban Slums in Hyderabad, India Using Remote Sensing Data. Applied Geography, 32(2): 660-667.

Kohli D, Sliuzas R, Kerle N, and Stein A. 2012. An Ontology of Slums for Image-Based Classification. Computers, Environment and Urban Systems, 36(2): 154-163.

Kohli D, Warwadekar P, Kerle N, Sliuzas R, and Stein A. 2013. Transferability of Object-Oriented Image Analysis Methods for Slum Identification. Remote Sensing, 5(9): 4209-4228.

Kombe W J. 2005. Land Use Dynamics in Peri-Urban Areas and Their Implications on the Urban Growth and Form: The Case of Dar es Salaam, Tanzania. Habitat International, 29(1): 113-135.

Kombe W J and Muheirwe F. 2025. Dar es Salaam: City Report. (2025-01-30) [2025-04-15]. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=5112868.

Kuffer M and Barrosb J. 2011. Urban Morphology of Unplanned Settlements: The Use of Spatial Metrics in VHR Remotely Sensed Images. Procedia Environmental Sciences, 7: 152-157.

Kuffer M, Orina F, Sliuzas R, and Taubenböck H. 2017. Spatial Patterns of Slums: Comparing African and Asian Cities. In: IEEE. 2017 IEEE Joint Urban Remote Sensing Event (JURSE). Dubai: IEEE, 1-4.

Lai F and Yang X. 2020. Integrating Spectral and Non-Spectral Data to Improve Urban Settlement Mapping in A Large Latin-American City. GIScience & Remote Sensing, 57(6): 830-844.

Liu X, He J, Yao Y, Zhang J, Liang H, Wang H, and Hong Y. 2017. Classifying Urban Land Use by Integrating Remote Sensing and Social Media Data. International Journal of Geographical Information Science, 31(8): 1675-1696.

Manara M. 2022. From Policy to Institution: Implementing Land Reform in Dar es Salaam's Unplanned Settlements. Environment and Planning A: Economy and Space, 54(7): 1368-1390.

Matarira D, Mutanga O, and Naidu M. 2022. Texture Analysis Approaches in Modelling Informal Settlements: A Review. Geocarto International, 37(26): 13451-13478.

Matarira D, Mutanga O, Naidu M, and Vizzari M. 2022. Object-Based Informal Settlement Mapping in Google Earth Engine Using the Integration of Sentinel-1, Sentinel-2, and PlanetScope Satellite Data. Land, 12(1): 99.

Mottelson J and Venerandi A. 2020. A Fine-Grain Multi-Indicator Analysis of the Urban Form of Five Informal Settlements in East Africa. Urban Science, 4(3): 31.

Niebergall S, Loew A, and Mauser W. 2008. Integrative Assessment of Informal Settlements Using VHR Remote Sensing Data—The Delhi Case Study. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 1(3): 193-205.

Owen K K and Wong D W. 2013. An Approach to Differentiate Informal Settlements Using Spectral, Texture, Geomorphology and Road Accessibility Metrics. Applied Geography, 38: 107-118.

Peng F, Lu W, Hu Y, and Jiang L. 2023. Mapping Slums in Mumbai, India, Using Sentinel-2 Imagery: Evaluating Composite Slum Spectral Indices(CSSIs). Remote Sensing, 15(19): 4671.

Persello C and Stein A. 2017. Deep Fully Convolutional Networks for the Detection of Informal Settlements in VHR Images. IEEE Geoscience and Remote Sensing Letters, 14(12): 2325-2329.

Quaye I, Amponsah O, Azunre G A, Takyi S A, and Braimah I. 2022. A Review of Experimental Informal Urbanism Initiatives and Their Implications for Sub-Saharan Africa's Sustainable Cities' Agenda. Sustainable Cities and Society, 83: 103938.

Ren H, Guo W, Zhang Z, Kisovi L M, and Das P. 2020. Population Density and Spatial Patterns of Informal Settlements in Nairobi, Kenya. Sustainability, 12(18): 7717.

Thomson D R, Gaughan A E, Stevens F R, Yetman G, Elias P, and Chen R. 2021. Evaluating The Accuracy of Gridded Population Estimates in Slums: A Case Study in Nigeria and Kenya. Urban Science, 5(2): 48.

Tu W, Chen D, Cao R, Xia J, Zhang Y, and Li Q. 2024. Towards SDG 11: Large-Scale Geographic and Demographic Characterisation of Informal Settlements Fusing Remote Sensing, POI, and Open Geo-Data. ISPRS Journal of Photogrammetry and Remote Sensing, 217: 199-215.

UN-Habitat. 2009. Tanzania: Dar es Salaam City Profile. (2009-08-04) [2024-09-29]. https://unhabitat.org/sites/default/files/download-manager-files/Tanzania%20Dar%20es%20Salaam%20Urban%20Profile.pdf.

UN-Habitat. 2010. Citywide Action Plan for Upgrading Unplanned and Unserviced Settlements in Dar es Salaam. (2021-03-04) [2024-10-02]. https://unhabitat.org/citywide-action-plan-for-upgrading-unplanned-and-unserviced-settlements-in-dar-es-salaam.

UN-Habitat. 2015. Habitat III Issue Papers 22-Informal Settlements. (2020-08-14) [2024-10-12]. https://unece.org/hlm/documents/2020/08/working-documents/habitat-iii-issue-paper-2-informal-settlements.

Un-Habitat. 2022. Global Action Plan: Accelerating for Transforming Informal Settlements and Slums by 2030. (2023-05-22) [2024-09-30]. https://unhabitat.org/sites/default/files/2023/05/global_action_plan_22-05-23.pdf.

United Republic of Tanzania. 2016. Dar es Salaam City Master Plan 2016-2036 Volume 1 Main Report Dar es salaam. (2018-10-24) [2024-10-15]. https://www.scribd.com/document/576454376/Dar-Es-Salaam-Tanzania-City-Plan-v.

Venerandi A, Iovene M, and Fusco G. 2021. Exploring the Similarities Between Informal and Medieval Settlements: A Methodology and an Application. Cities, 115: 103211.

Wekesa B W, Steyn G S, and Otieno F A O F. 2011. A Review of Physical and Socio-Economic Characteristics and Intervention Approaches of Informal Settlements. Habitat International, 35(2): 238-245.

张家旗. 2021. 坦桑尼亚城市发展与空间形态研究. 武汉：湖北科学技术出版社.

Zhang Jiaqi. 2021. Study on the Development and Spatial Form of Urban Areas in Tanzania. Wuhan: Hubei Science and Technology Press.

张家旗，陈爽，高群，Kimirei I A. 2019. 非正式聚落快速增长下的城市蔓延——以坦桑尼亚姆万扎市为例. 世界地理研究，28（3）：32-42.

Zhang Jiaqi, Chen Shuang, Gao Qun, and Kimirei I A. 2019. Urban Sprawl under the Rapid Growth of Informal Settlements—A Case Study of Mwanza City, Tanzania. World Regional Studies, 28(3): 32-42.

张家旗，陈爽，Mapunda D W. 2018. 2002—2012年达累斯萨拉姆城市蔓延特征及影响因素. 中国科学院大学学报，35（5）：663-673.

Zhang Jiaqi, Chen Shuang, and Mapunda D W. 2018. Characteristics and Influence Factors of Urban Sprawl of Dar es Salaam from 2002 to 2012. Journal of University of Chinese Academy of Sciences, 35(5): 663-673.

张涛，丁乐乐，史芙蓉. 2021. 高分辨率遥感影像城中村提取的景观语义指数方法. 测绘学报，50（1）：97-104.

Zhang Tao, Ding Lele, and Shi Furong. 2021. Urban Villages Extraction from High-Resolution Remote Sensing Imagery Based on Landscape Semantic Metrics. Acta Geodaetica et Cartographica Sinica, 50(1): 97-104.

赵梓彤，陈水森，于国荣，李丹，贾凯，赵晨尧，李健，秦伯雄. 2024. 基于近期密集卫星数据的北江流域森林砍伐遥感方法. 热带地理，44（11）：2091-2103.

Zhao Zitong, Chen Shuisen, Yu Guorong, Li Dan, Jia Kai, Zhao Chenrao, Li Jian, and Qin Boxiong. 2024. Remote Sensing Method of Forest Logging in the Beijiang River Basin Based on Recent Intensive Satellite Data. Tropical Geography, 44(11): 2091-2103.

Options
文章导航

/

〈 〉