Duboko učenje je u jednoj indonežanskoj regenciji pronašlo 31,9% stajaće vode koja je sadržavala larve komaraca

Zdravstveni tim u Pangandaranu upravljao je potrošačkim dronom nad jednom indonežanskom regencijom, fotografije je proslijedio modelu dubokog učenja i pustio ga da izdvoji svaku lokvu u 4.400 slika. Svaka od 47 lokacija sa stajaćom vodom koje je model označio zaista je sadržavala vodu na terenu. Petnaest od njih, 31,9%, sadržavalo je larve komaraca, uključujući dva primarna lokalna vektora malarije. Rezultat, objavljen ovog mjeseca u Scientific Reports, najčišći je jeftini priručnik za mapiranje staništa komaraca koji je 2026. proizvela, a radi bez satelita, multispektralnog senzora ili pipeline-a za spajanje slika koji su tehnologiju držali izvan domašaja općinskih zdravstvenih ureda.

Šta je rad zapravo uradio

Laboratorij za javno zdravstvo Pangandaran, jedinica Ministarstva zdravstva Indonezije, udružio se s istraživačima sa Univerziteta Ehime (Japan), Univerziteta Lurio (Mozambik), Tokijskog ženskog medicinskog univerziteta i Univerziteta Padjadjaran. Postavili su pitanje: može li model dubokog učenja pronaći stajaću vodu u jeftinim, neobrađenim slikama drona, i preskočiti skupi korak spajanja u jednu georeferenciranu mapu?

Odgovor je da. Tim je upravljao potrošačkim dronovima nad Regencijom Pangandaran, obalnom distriktu na južnom rubu Jave, i prikupio više od 4.400 statičnih slika u boji i sivim tonovima, svaku s vlastitim GPS zapisom. Tim ih je pokrenuo kroz DeepLabV3+ model s EfficientNetV2 okosnicom, radnim konjem jeftinog računalnog vida u 2026.

Model nije pokušao spojiti fotografije u mozaik. Bodovao je svaku sliku pojedinačno, koristio GPS metapodatke za postavljanje pozitivnih predikcija na mapu i gurao sve kroz pipeline u oblaku. Nema specijaliziranog hardvera. Nema vlasničkog softvera za spajanje slika. Nema multispektralnog senzora.

Šta je model pronašao

Kvaliteta segmentacije, mjerena prosječnim presjekom nad unijom (mIoU), bila je 0,86 na slikama u boji i 0,80 na slikama u sivim tonovima, obje ocjene publikacijskog ranga za segmentaciju vodenih tijela u aerosnimkama.

Broj koji je važniji za publiku iz javnog zdravstva je ono što se dogodilo na terenu. Tim je posjetio 47 lokacija koje je model označio kao stajaću vodu. Svaka je sadržavala vodu. Petnaest od 47, 31,9%, sadržavalo je larve komaraca, uključujući dva glavna lokalna vektora malarije Anopheles vagus i Anopheles sundaicus, od kojih potonji napreduje u bočatoj vodi i uspijeva u obalnim lagunama južne Jave.

Figura 31,9% je urednička poanta. Većina stajaće vode ne sadrži larve komaraca; model radi ono što bi radio ljudski istraživač, označavajući svaku lokvu, jarak i kut rižinog polja, i dopuštajući drugom prolazu da razvrsta stvarna larvalna staništa od nebitnih. Inovacija rada je prvi prolaz: učiniti ga jeftinim, brzim i skalabilnim.

Zašto je bitan dio "bez ortomozaika"

Do sada je mapiranje staništa zasnovano na dronovima značilo proizvodnju ortomozaika, jedne slike visoke rezolucije, georeferencirane, spojene od stotina preklapajućih fotografija. Korak zahtijeva komercijalni softver (Pix4D, Agisoft, DroneDeploy, godišnje licence u nižim četverocifrenim iznosima), desktop radnu stanicu i sate obrade po nadgledanju. Za istraživačku grupu na dobro finansiranoj univerzi, ovo je rutinski posao. Za općinski zdravstveni ured u malaričnom području, bio je nepremostiv.

Francisco i njegove kolege su ga preskočili. Koristili su GPS koordinate ugrađene u svaku sliku i pustili su oblak da obavi težak posao.

Tri stvari koje se susreću u 2026.

Rad iz Pangandarana stiže u istoj sedmici kao i tri druga recenzirana rezultata koji mijenjaju ono što "kontrola vektora" znači za zdravstveni ured s tijesnim budžetom.

Literatura o atmosferi i urbanom obliku upravo je zatvorila dugogodišnju petlju. Rad u PNAS-u od 18. juna koji su napisali Lugão i kolege sa Federalnog univerziteta Juiz de Fora i Federalnog univerziteta Goiás modelira populacije Aedes aegypti širom brazilskih gradova s atmosferskim i kovarijatama urbanog oblika, i pronalazi da je urbana morfologija jači pokretač žarišta nego sama temperatura. Rad u iScience-u od 19. juna koji su napisali Liu i kolege proširuje logiku na 108 zemalja, s trajanjem poplava kao pokretačem. Komarac je problem gradske skale prije nego što je problem vremenske skale.

Literatura o prevenciji u zajednici proizvela je svoj najčišći podatak. Ministarstvo zdravstva Filipina prijavilo je 50.727 slučajeva denge u prvih pet mjeseci 2026., smanjenje od 56% u odnosu na 2025., i pripisalo zasluge kampanji "4Ts": Taob, Taktak, Tuyo, Takip (isprazniti i prevrnuti kontejnere, otresti vodu, održavati okolinu suhom, pokriti kontejnere za vodu). 4Ts djeluju, ali samo kada zajednica zna gdje su mjesta razmnožavanja. Rad iz Pangandarana je nedostajući uzvodni dio.

Literatura o AI i slikovnim podacima sada je proizvela svoj prvi terenski validirani jeftini tijek rada za mapiranje larvalnih staništa. Rad iz Pangandarana je prva recenzirana demonstracija da tijek rada drži cjelinu u malaričnom području, s lokalnim timom za kontrolu vektora na terenu, i bez infrastrukture koja je tehnologiju historijski držala u istraživačkoj literaturi bogatih zemalja.

Tri kraka se ne zamjenjuju. Atmosferski modeli govore gradu gdje će biti njegova žarišta; kampanje u zajednici govore susjedstvu šta učiniti; tijek rada s dronom i AI govori terenskom timu koje lokve prvo isprazniti.

Nalaz od 31,9% je koristan podsjetnik na nivou domaćinstva: većina stajaće vode nije mjesto razmnožavanja. Lični zaštitni sloj se ne mijenja: isprazniti podmetače, prevrnuti kante, pokriti kontejnere za skladištenje vode, spavati pod tretiranom mrežom ili u zaštićenim sobama, i koristiti dokazani repelent na izloženoj koži u sumrak i zoru.

Šta učiniti

Za domaćinstvo ili malu lokaciju, praktični zaključak nalaza iz Pangandarana je nepromijenjen: većina stajaće vode nije mjesto razmnožavanja, pa je posao u pronalaženju onih koje jesu.

• Ispraznite ili prevrnite bilo koji kontejner koji može držati vodu duže od nekoliko dana (kante, podmetače za biljke, cerade, stare gume).
• Otresite, istrljajte i ponovo napunite posude za vodu kućnih ljubimaca i pojila za ptice barem sedmično; larvama treba otprilike sedam do deset dana da sazriju.
• Pokrijte tenkove za skladištenje vode i bačve čvrsto prianjajućim poklopcima ili finom mrežom.
• Očistite krovne oluke i odvode ravnih krovova prije kišne sezone.
• Ispunite ili odvodite niske tačke u vrtu, i držite ribu u ukrasnim bazenima gdje je izvodljivo; ribe koje se hrane larvama suzbijaju razmnožavanje Culex i Anopheles.
• Koristite dokazanu ličnu zaštitu u sumrak i zoru: duge rukave i hlače, tretiranu mrežu ili zaštićenu sobu, i repelent na izloženoj koži.
• Za općinske i gradske timove, tijek rada iz Pangandarana je sada najjači objavljeni slučaj za dodavanje jeftinih dron-nadgledanja rutinskom upravljanju larvalnim izvorima, posebno tokom kišne sezone.

Šta pratiti u narednih dvanaest mjeseci

Validacija u drugim regijama. Rad iz Pangandarana je jedan distrikt u obalnoj Indoneziji. Tijek rada će trebati ponovno pokretanje u sahelskoj zemlji, južnoameričkom gradu (gdje dominira Aedes aegypti) i pacifičkom ostrvu (gdje je interfejs čovjek-divljač aktivna granica). Arhitektura je prenosiva; podaci za obuku nisu.

Pipeline otvorenog koda. Tim Francisco je koristio DeepLabV3+ i EfficientNetV2, ali težine modela i kod za prethodnu obradu još nisu javni. Najznačajnija posljedica bila bi javno objavljivanje prethodno obučenog modela koji svako zdravstveno odjeljenje može preuzeti.

Pitanje integracije. Najkorisniji sljedeći rad povezuje tijek rada iz Pangandarana s odlukom o kontroli vektora: model pronalazi lokaciju, terenski tim dobiva obavještenje na telefon, radnik potvrđuje larve, lokalna kampanja ekvivalentna 4Ts-u raspoređuje se u roku od 48 sati. Ta end-to-end petlja je operativno zanimljiva stvar. Rad iz Pangandarana je prvi dio.

Šta znamo

• Model dubokog učenja obučen na 4.400 statičnih slika drona iz Regencije Pangandaran, Indonezija, identificirao je lokacije sa stajaćom vodom s prosječnim presjekom nad unijom (mIoU) od 0,86 na slikama u boji i 0,80 na slikama u sivim tonovima, ocjena publikacijskog ranga za segmentaciju vodenih tijela u aerosnimkama. Francisco et al., Sci Rep (2026)
• Terenska validacija 47 lokacija koje je model označio kao stajaću vodu potvrdila je prisustvo vode u 100% slučajeva; 15 od tih lokacija (31,9%) sadržavalo je larve komaraca, uključujući primarne lokalne vektore malarije Anopheles vagus i An. sundaicus. Francisco et al., Sci Rep (2026)
• Tijek rada potpuno zaobilazi generisanje ortomozaika. Koristi GPS metapodatke ugrađene u svaku pojedinačnu sliku drona da postavi pozitivne predikcije modela na mapu, radi u oblaku i ne zahtijeva specijalizirani hardver ili vlasnički softver za spajanje slika. Francisco et al., Sci Rep (2026)
• Arhitektura je DeepLabV3+ s EfficientNetV2 okosnicom. Studiju su vodili istraživači sa Univerziteta Ehime, Univerziteta Lurio, Laboratorije za javno zdravstvo Pangandaran (Ministarstvo zdravstva Indonezije), Tokijskog ženskog medicinskog univerziteta i Univerziteta Padjadjaran. PubMed 42315628
• Rad je finansirala Japanska zaklada za promociju nauke (JSPS) grant Zajedničkog istraživačkog projekta JPJSCCB20240008, a rad je objavljen u otvorenom pristupu u Scientific Reports (DOI 10.1038/s41598-026-58240-4). Francisco et al., Sci Rep (2026)

Citirani izvori

1. Francisco, Micanaldo Ernesto, Andri Ruliansyah, Firda Yanuar Pradani, Gaku Masuda, Lia Faridah, Kozo Watanabe. "Deep learning identifies water bodies from low-cost drone images for mosquito larval habitat mapping." Scientific Reports (Nature), 18 June 2026. DOI 10.1038/s41598-026-58240-4. Open access. https://www.nature.com/articles/s41598-026-58240-4
2. Francisco et al. (2026), PubMed record, PMID 42315628, indexed 18 June 2026. https://pubmed.ncbi.nlm.nih.gov/42315628/
3. Liu, Q., Zhang, S., Liu, M., Liu, J. "Impact of flood duration on dengue burden across 108 countries." iScience (Cell Press), eCollection 19 June 2026 (online 25 April 2026). DOI 10.1016/j.isci.2026.115917. https://pubmed.ncbi.nlm.nih.gov/42169817/
4. Lugão, P. H. G., da Silva, M. R., Cascelli, R., Chapiro, G. "Spatial and temporal prediction of Aedes aegypti populations with atmospheric and urban forms dependence." PNAS 123(25):e2533964123, published online 18 June 2026. DOI 10.1073/pnas.2533964123. https://pubmed.ncbi.nlm.nih.gov/42313935/