L'apprentissage profond a montré que 31,9 % des eaux stagnantes d'une régence indonésienne abritaient des larves de moustiques

Une équipe de santé de Pangandaran a fait voler un drone grand public au-dessus d'une régence indonésienne, a passé les photos dans un modèle d'apprentissage profond et l'a laissé repérer chaque flaque dans 4 400 images. Chacun des 47 sites d'eau stagnante que le modèle a signalés contenait effectivement de l'eau sur le terrain. Quinze d'entre eux, soit 31,9 %, abritaient des larves de moustiques, dont les deux principaux vecteurs locaux du paludisme. Ce résultat, publié ce mois-ci dans Scientific Reports, est la méthode de cartographie des gîtes larvaires à bas coût la plus propre que 2026 ait produite, et elle tourne sans le satellite, le capteur multispectral ni la chaîne de mosaïquage d'images qui ont maintenu la technologie hors de portée des bureaux de santé de district.

Ce que l'article a réellement fait

Le Laboratoire de santé publique de Pangandaran, une unité du ministère indonésien de la Santé, s'est associé à des chercheurs de l'université d'Ehime (Japon), de l'université Lurio (Mozambique), de la Tokyo Women's Medical University et de l'Universitas Padjadjaran. La question posée était : un modèle d'apprentissage profond peut-il détecter l'eau stagnante dans des images de drone brutes et bon marché, en s'affranchissant de l'étape coûteuse de mosaïquage en une carte géoréférencée unique ?

La réponse est oui. L'équipe a fait voler des drones grand public au-dessus de la régence de Pangandaran, un district côtier de la bordure sud de Java, et a collecté plus de 4 400 images fixes en couleur et en niveaux de gris, chacune accompagnée de ses propres coordonnées GPS. L'équipe les a passées dans un modèle DeepLabV3+ avec un backbone EfficientNetV2, une valeur sûre de la vision par ordinateur à bas coût en 2026.

Le modèle n'a pas cherché à assembler les photos en mosaïque. Il a noté chaque image individuellement, utilisé les métadonnées GPS pour placer les prédictions positives sur une carte, et poussé l'ensemble dans une chaîne de traitement en nuage. Pas de matériel spécialisé. Pas de logiciel propriétaire de mosaïquage. Pas de capteur multispectral.

Ce que le modèle a trouvé

La qualité de segmentation, mesurée par l'Intersection over Union moyenne (mIoU), était de 0,86 sur les images couleur et de 0,80 sur les images en niveaux de gris, deux scores dignes d'une publication pour la segmentation de plans d'eau en imagerie aérienne.

Le chiffre qui compte davantage pour un lectorat de santé publique est ce qui s'est passé sur le terrain. L'équipe a visité 47 sites que le modèle avait signalés comme eau stagnante. Tous contenaient de l'eau. Quinze des 47, soit 31,9 %, contenaient des larves de moustiques, dont les deux principaux vecteurs locaux du paludisme Anopheles vagus et Anopheles sundaicus, ce dernier étant un reproducteur d'eau saumâtre qui prospère dans les lagunes côtières du sud de Java.

Le chiffre de 31,9 % est le point éditorial. La plupart des eaux stagnantes ne contiennent pas de larves de moustiques ; le modèle fait ce qu'un opérateur humain ferait, en signalant chaque flaque, chaque fossé, chaque coin de rizière, et en laissant une seconde passe séparer les véritables gîtes larvaires des sites sans importance. L'innovation de l'article est la première passe : la rendre bon marché, rapide et évolutive.

Pourquoi le « pas d'orthomosaique » compte

Jusqu'ici, la cartographie des gîtes par drone signifiait produire une orthomosaïque, une image géoréférencée unique de haute résolution, assemblée à partir de centaines de photos qui se chevauchent. L'étape nécessite des logiciels commerciaux (Pix4D, Agisoft, DroneDeploy, licences annuelles à quatre chiffres bas), une station de travail de bureau et des heures de traitement par relevé. Pour un groupe de recherche d'une université bien financée, c'est une routine. Pour un bureau de santé de district dans une région d'endémie palustre, cela a toujours été inenvisageable.

Francisco et ses collègues s'en sont affranchis. Ils ont utilisé les coordonnées GPS intégrées à chaque image et ont laissé le nuage faire le gros du travail.

Les trois choses qui convergent en 2026

L'article de Pangandaran arrive la même semaine que trois autres résultats relus par les pairs qui changent ce que « lutte antivectorielle » signifie pour un service de santé à budget serré.

La littérature sur la forme atmosphérique et urbaine vient de boucler une boucle longtemps ouverte. L'article du PNAS du 18 juin de Lugão et de ses collègues de l'Université fédérale de Juiz de Fora et de l'Université fédérale de Goiás modélise les populations d'Aedes aegypti à travers les villes brésiliennes en intégrant à la fois des covariables atmosphériques et de forme urbaine, et conclut que la morphologie urbaine est un moteur des points chauds plus puissant que la température seule. L'article d'iScience du 19 juin de Liu et de ses collègues étend la logique à 108 pays, avec la durée des inondations comme moteur. Le moustique est un problème à l'échelle de la ville avant d'être un problème à l'échelle de la météo.

La littérature sur la prévention communautaire a produit son chiffre le plus propre. Le ministère philippin de la Santé a déclaré 50 727 cas de dengue sur les cinq premiers mois de 2026, en baisse de 56 % par rapport à 2025, et a crédité la campagne « 4Ts » : Taob (vider et retourner les récipients), Taktak (secouer pour évacuer l'eau), Tuyo (maintenir les abords secs), Takip (couvrir les contenants d'eau). Les 4Ts marchent, mais seulement quand une communauté sait où se trouvent les gîtes. L'article de Pangandaran est la pièce amont manquante.

La littérature sur l'IA et l'imagerie a maintenant produit son premier flux de travail à bas coût validé sur le terrain pour la cartographie des gîtes larvaires. L'article de Pangandaran est la première publication relue par les pairs qui démontre que ce flux de travail tient dans une région d'endémie palustre, avec une équipe locale de lutte antivectorielle sur le terrain, et sans l'infrastructure qui a historiquement maintenu la technologie dans la littérature de recherche des pays riches.

Les trois volets ne se remplacent pas. Les modèles atmosphériques indiquent à une ville où seront ses points chauds ; les campagnes communautaires indiquent à un quartier ce qu'il faut faire ; la chaîne drone-IA indique à une équipe de terrain quelles flaques vider en priorité.

Le chiffre de 31,9 % est un rappel utile au niveau domestique : la plupart des eaux stagnantes ne sont pas des gîtes. La couche de protection individuelle ne change pas : vider les soucoupes, retourner les seaux, couvrir les contenants de stockage d'eau, dormir sous une moustiquaire imprégnée ou dans une pièce grillagée, et utiliser un répulsif éprouvé sur la peau exposée au crépuscule et à l'aube.

Ce qu'il faut faire

Pour un ménage ou un petit site, la leçon pratique du résultat de Pangandaran est inchangée : la plupart des eaux stagnantes ne sont pas des gîtes ; le travail consiste donc à trouver les quelques-unes qui le sont.

• Vider ou retourner tout récipient pouvant contenir de l'eau pendant plus de quelques jours (seaux, soucoupes de pots de fleurs, bâches, vieux pneus).
• Vider, frotter et remplir à nouveau les gamelles d'eau pour animaux de compagnie et les abreuvoirs à oiseaux au moins une fois par semaine ; les larves mettent environ sept à dix jours pour arriver à maturité.
• Couvrir les réservoirs et fûts de stockage d'eau avec des couvercles bien ajustés ou une moustiquaire fine.
• Nettoyer les gouttières et les évacuations de toiture-terrasse avant la saison des pluies.
• Combler ou drainer les points bas du jardin, et conserver des poissons dans les bassins d'ornement lorsque c'est possible ; les poissons larvivores freinent la reproduction des Culex et Anopheles.
• Utiliser une protection individuelle éprouvée au crépuscule et à l'aube : manches longues et pantalons, moustiquaire imprégnée ou pièce grillagée, et répulsif cutané.
• Pour les équipes de district ou municipales, le flux de travail de Pangandaran constitue désormais le meilleur cas publié en faveur de l'ajout de relevés par drone à bas coût à la gestion de routine des gîtes larvaires, en particulier pendant la saison des pluies.

Ce qu'il faut suivre dans les douze prochains mois

La validation dans d'autres régions. L'article de Pangandaran porte sur un seul district de la côte indonésienne. Le flux de travail devra être ré-exécuté dans un pays sahélien, une ville sud-américaine (où Aedes aegypti domine) et une île du Pacifique (où l'interface homme-faune sauvage est la frontière active). L'architecture est portable ; les données d'entraînement ne le sont pas.

Une chaîne de traitement open source. L'équipe de Francisco a utilisé DeepLabV3+ et EfficientNetV2, mais les poids du modèle et le code de pré-traitement ne sont pas encore publics. La suite la plus lourde de conséquences serait la publication d'un modèle pré-entraîné que n'importe quel service de santé pourrait télécharger.

La question de l'intégration. L'article le plus utile enchaînerait le flux de travail de Pangandaran à une décision de lutte antivectorielle : le modèle trouve un site, l'équipe de terrain reçoit une notification sur son téléphone, l'agent confirme la présence de larves, la campagne locale équivalente des 4Ts se déploie dans les 48 heures. Cette boucle de bout en bout est l'élément intéressant du point de vue opérationnel. L'article de Pangandaran en est la première brique.

Ce que nous savons

• Un modèle d'apprentissage profond entraîné sur 4 400 images fixes de drone de la régence de Pangandaran, en Indonésie, a identifié les sites d'eau stagnante avec une Intersection over Union moyenne (mIoU) de 0,86 sur les images couleur et de 0,80 sur les images en niveaux de gris, un score digne d'une publication pour la segmentation de plans d'eau en imagerie aérienne. Francisco et al., Sci Rep (2026)
• La validation de terrain de 47 sites que le modèle avait signalés comme eau stagnante a confirmé la présence d'eau dans 100 % des cas ; 15 de ces sites (31,9 %) contenaient des larves de moustiques, dont les principaux vecteurs locaux du paludisme Anopheles vagus et An. sundaicus. Francisco et al., Sci Rep (2026)
• Le flux de travail contourne entièrement la production d'orthomosaïque. Il utilise les métadonnées GPS intégrées à chaque image de drone individuelle pour placer les prédictions positives du modèle sur une carte, tourne dans le nuage et ne nécessite ni matériel spécialisé ni logiciel propriétaire de mosaïquage d'images. Francisco et al., Sci Rep (2026)
• L'architecture est DeepLabV3+ avec un backbone EfficientNetV2. L'étude a été dirigée par des chercheurs de l'université d'Ehime, de l'université Lurio, du Laboratoire de santé publique de Pangandaran (ministère indonésien de la Santé), de la Tokyo Women's Medical University et de l'Universitas Padjadjaran. PubMed 42315628
• Le travail a été financé par la subvention Joint Research Project JPJSCCB20240008 de la Japan Society for the Promotion of Science (JSPS), et l'article est publié en accès ouvert dans Scientific Reports (DOI 10.1038/s41598-026-58240-4). Francisco et al., Sci Rep (2026)

Sources citées

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 juin 2026. DOI 10.1038/s41598-026-58240-4. Open access. https://www.nature.com/articles/s41598-026-58240-4
2. Francisco et al. (2026), notice PubMed, PMID 42315628, indexée le 18 juin 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 juin 2026 (publication en ligne le 25 avril 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, publication en ligne le 18 juin 2026. DOI 10.1073/pnas.2533964123. https://pubmed.ncbi.nlm.nih.gov/42313935/