Zdravotnický tým v Pangandaranu přeletěl spotřebitelským dronem jednu indonéskou regenci a předal fotografie modelu hlubokého učení, který měl v 4 400 snímcích vybrat každou kaluž. Každá ze 47 lokalit se stojatou vodou, které model označil, skutečně vodu obsahovala. Patnáct z nich, 31,9 %, obsahovalo larvy komárů včetně dvou primárních místních přenašečů malárie.
Zdravotnický tým v Pangandaranu přeletěl spotřebitelským dronem jednu indonéskou regenci, předal fotografie modelu hlubokého učení a nechal jej v 4 400 snímcích vybrat každou kaluž. Každá ze 47 lokalit se stojatou vodou, které model označil, v terénu skutečně vodu obsahovala. Patnáct z nich, 31,9 %, obsahovalo larvy komárů, včetně dvou primárních místních přenašečů malárie. Výsledek, publikovaný tento měsíc v Scientific Reports, je nejčistším nízkonákladovým návodem pro mapování habitátů komárů, který rok 2026 přinesl, a funguje bez satelitu, multispektrálního senzoru a pipeline na skládání snímků, které dosud tuto technologii udržovaly mimo dosah okresních zdravotnických úřadů.
Co studie vlastně udělala
Veřejná zdravotnická laboratoř Pangandaran, součást indonéského ministerstva zdravotnictví, navázala spolupráci s výzkumníky z Ehime University (Japonsko), Lurio University (Mosambik), Tokyo Women's Medical University a Universitas Padjadjaran. Položili si otázku: dokáže model hlubokého učení najít stojatou vodu v levných, nezpracovaných droních snímcích a obejít nákladný krok skládání do jediné georeferencované mapy?
Odpověď zní ano. Tým přeletěl spotřebními drony regenci Pangandaran, pobřežní okres na jižním okraji Jávy, a pořídil více než 4 400 statických snímků v barevném i šedotónovém podání, každý s vlastní GPS značkou. Snímky pak prohnal modelem DeepLabV3+ s páteří EfficientNetV2, pracovním koněm nízkonákladového počítačového vidění v roce 2026.
Model se nepokoušel snímky složit do mozaiky. Každý snímek ohodnotil samostatně, pozitivní předpovědi umístil na mapu pomocí GPS metadat a všechno poslal cloudovou pipeline. Žádný specializovaný hardware. Žádný proprietární software na skládání snímků. Žádný multispektrální senzor.
Co model našel
Kvalita segmentace, měřená jako průměrné Intersection over Union (mIoU), dosáhla 0,86 na barevných a 0,80 na šedotónových snímcích, což jsou publikačně hodnotné výsledky pro segmentaci vodních ploch v leteckých snímcích.
Číslo, které záleží více pro publikum z oblasti veřejného zdraví, je to, co se stalo v terénu. Tým navštívil 47 lokalit, které model označil jako stojatou vodu. Každá vodu skutečně obsahovala. Patnáct ze 47, tedy 31,9 %, obsahovalo larvy komárů, včetně dvou hlavních místních přenašečů malárie Anopheles vagus a Anopheles sundaicus, přičemž druhý jmenovaný je druh množící se v brakické vodě, který prosperuje v pobřežních lagunách jižní Jávy.
Číslo 31,9 % je redakčním jádrem věci. Většina stojaté vody larvy komárů neobsahuje; model dělá to, co by udělal lidský průzkumník, označí každou kaluž, příkop a roh rýžového pole, a druhý průchod pak oddělí skutečná larvální stanoviště od těch nedůležitých. Inovací studie je první průchod: udělat jej levným, rychlým a škálovatelným.
Proč záleží na tom, že se obešla ortomozaika
Donedávna dronové mapování habitatů znamenalo vyrobit ortomozaiku, jediný vysoce rozlišený georeferencovaný obraz složený ze stovek překrývajících se fotografií. Tento krok vyžaduje komerční software (Pix4D, Agisoft, DroneDeploy, roční licence v nízkých čtyřciferných částkách), desktopovou pracovní stanici a hodiny zpracování na jeden průzkum. Pro výzkumnou skupinu na dobře financované univerzitě je to rutina. Pro okresní zdravotní úřad v maláriíendemické oblasti to bylo dosud nepřijatelné.
Francisco a jeho kolegové tento krok přeskočili. Použili GPS souřadnice vložené v každém snímku a těžkou práci přenechali cloudu.
Tři věci, které se v roce 2026 sbíhají
Studie z Pangandaranu přichází ve stejném týdnu jako tři další recenzované výsledky, které mění to, co „kontrola vektorů" znamená pro zdravotní úřad s omezeným rozpočtem.
Literatura o atmosférických a urbánních formách právě uzavřela dlouho otevřenou smyčku. Studie PNAS z 18. června od Lugãa a kolegů z Federal University of Juiz de Fora a Universidade Federal de Goiás modeluje populace Aedes aegypti napříč brazilskými městy jak s atmosférickými, tak s urbanistickými kovariátami a zjišťuje, že urbánní morfologie je silnějším hybatelem hotspotů než samotná teplota. Studie v iScience z 19. června od Liu a kolegů rozšiřuje tutéž logiku na 108 zemí, s dobou trvání záplav jako hnací silou. Komár je problémem městského měřítka dříve, než se stane problémem měřítka počasí.
Literatura o komunitní prevenci přinesla svůj nejčistší datový bod. Filipínské ministerstvo zdravotnictví oznámilo 50 727 případů dengue v prvních pěti měsících roku 2026, což je o 56 % méně než v roce 2025, a připsalo zásluhy kampani „4Ts": Taob, Taktak, Tuyo, Takip (vyprázdnit a převrátit nádoby, vyklepat vodu, udržovat okolí suché, krýt nádoby na vodu). 4Ts fungují, ale pouze tehdy, když komunita ví, kde se líhně nacházejí. Studie z Pangandaranu je chybějícím upstreamovým dílem skládačky.
Literatura o AI a zobrazování nyní přinesla svůj první terénně validovaný nízkonákladový pracovní postup pro mapování larválních habitatů. Studie z Pangandaranu je prvním recenzovaným důkazem, že tento postup drží pohromadě v maláriíendemické oblasti, s místním týmem pro kontrolu vektorů v terénu a bez infrastruktury, která tuto technologii dosud udržovala v bohaté výzkumné literatuře světa.
Tyto tři proudy se nenahrazují. Atmosférické modely řeknou městu, kde budou jeho hotspoty; komunitní kampaně řeknou čtvrti, co má dělat; pracovní postup dron-plus-AI řekne terénnímu týmu, které kaluže má vyprázdnit jako první.
Zjištění 31,9 % je užitečnou připomínkou na úrovni domácnosti: většina stojaté vody není líhň. Vrstva osobní ochrany se nemění: vyprázdněte misky, převraťte kbelíky, zakryjte nádoby na vodu, spěte pod ošetřenou sítí nebo v sítích chráněných místnostech a používejte osvědčený repelent na odhalené kůži za soumraku a úsvitu.
Co dělat
Pro domácnost nebo malou lokalitu je praktický závěr z pangandaranského zjištění nezměněn: většina stojaté vody není líhň, takže práce spočívá v nalezení těch několika málo, které jí jsou.
- Vyprázdněte nebo převraťte každou nádobu, která může držet vodu déle než několik dní (kbelíky, misky pod květináči, plachty, staré pneumatiky).
- Vyklepejte, vydrhněte a znovu naplňte misky pro domácí zvířata a ptačí koupele alespoň jednou týdně; larvy dozrávají přibližně sedm až deset dní.
- Zakryjte nádrže a barely na vodu těsně přiléhajícími poklicemi nebo jemnou sítí.
- Před obdobím dešťů vyčistěte okapy a ploché střešní vpusti.
- Vyplňte nebo odvodněte nízká místa na zahradě a kde to jde, chovejte ryby v okrasných jezírkách; larvivorní ryby potlačují množení Culex a Anopheles.
- Používejte osvědčenou osobní ochranu za soumraku a úsvitu: dlouhé rukávy a kalhoty, ošetřenou síť nebo sítěmi chráněnou místnost a repelent na odhalené kůži.
- Pro okresní nebo městské týmy je pracovní postup z Pangandaranu nyní nejsilnějším publikovaným argumentem pro přidání nízkonákladových dronových průzkumů do rutinního managementu larválních zdrojů, zejména během období dešťů.
Co sledovat v příštích dvanácti měsících
Validace v dalších regionech. Studie z Pangandaranu pokrývá jediný okres v pobřežní Indonésii. Pracovní postup bude třeba zopakovat v sahelské zemi, v jihoamerickém městě (kde dominuje Aedes aegypti) a na tichomořském ostrově (kde je aktivní frontou rozhraní člověk a divoká příroda). Architektura je přenosná; tréninková data nikoli.
Open-source pipeline. Tým Francisca použil DeepLabV3+ a EfficientNetV2, ale váhy modelu a kód pro předzpracování zatím nebyly zveřejněny. Nejdůležitějším pokračováním by bylo veřejné vydání předtrénovaného modelu, který si může stáhnout kterékoliv zdravotnické oddělení.
Otázka integrace. Nejužitečnější další studie řetězí pracovní postup z Pangandaranu k rozhodnutí v oblasti kontroly vektorů: model najde lokalitu, terénní tým dostane telefonické upozornění, pracovník potvrdí larvy, místní kampaň typu 4Ts se nasadí do 48 hodin. Tato end-to-end smyčka je provozně zajímavou věcí. Studie z Pangandaranu je prvním dílem.
Co víme
- Model hlubokého učení natrénovaný na 4 400 statických droních snímcích z regencie Pangandaran v Indonésii identifikoval lokality se stojatou vodou s průměrným Intersection over Union (mIoU) 0,86 na barevných a 0,80 na šedotónových snímcích, což je publikačně hodnotný výsledek pro segmentaci vodních ploch v leteckých snímcích. Francisco a kol., Sci Rep (2026)
- Terénní validace 47 lokalit, které model označil jako stojatou vodu, potvrdila přítomnost vody ve 100 % případů; 15 z těchto lokalit (31,9 %) obsahovalo larvy komárů, včetně primárních místních přenašečů malárie Anopheles vagus a An. sundaicus. Francisco a kol., Sci Rep (2026)
- Pracovní postup zcela obchází generování ortomozaiky. K umístění pozitivních předpovědí modelu na mapu využívá GPS metadata vložená v každém jednotlivém droním snímku, běží v cloudu a nevyžaduje žádný specializovaný hardware ani proprietární software na skládání snímků. Francisco a kol., Sci Rep (2026)
- Architektura je DeepLabV3+ s páteří EfficientNetV2. Studii vedli výzkumníci z Ehime University, Lurio University, Pangandaran Public Health Laboratory (indonéské ministerstvo zdravotnictví), Tokyo Women's Medical University a Universitas Padjadjaran. PubMed 42315628
- Práce byla financována grantem Joint Research Project JPJSCCB20240008 Japan Society for the Promotion of Science (JSPS) a studie je publikována v režimu open access v časopise Scientific Reports (DOI 10.1038/s41598-026-58240-4). Francisco a kol., Sci Rep (2026)
Citované zdroje
- 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. června 2026. DOI 10.1038/s41598-026-58240-4. Open access. https://www.nature.com/articles/s41598-026-58240-4
- Francisco a kol. (2026), záznam PubMed, PMID 42315628, indexováno 18. června 2026. https://pubmed.ncbi.nlm.nih.gov/42315628/
- Liu, Q., Zhang, S., Liu, M., Liu, J. „Impact of flood duration on dengue burden across 108 countries." iScience (Cell Press), eCollection 19. června 2026 (online 25. dubna 2026). DOI 10.1016/j.isci.2026.115917. https://pubmed.ncbi.nlm.nih.gov/42169817/
- 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, publikováno online 18. června 2026. DOI 10.1073/pnas.2533964123. https://pubmed.ncbi.nlm.nih.gov/42313935/