Dziļā mācīšanās atklāja, ka 31,9% viena Indonēzijas reģences stāvošā ūdens saturēja odu kāpurus

Veselības komanda Pangandaranā ar patērētāja dronu pārlidoja vienu Indonēzijas reģenci, ievadīja fotoattēlus dziļās mācīšanās modelī un ļāva tam izvēlēties katru peļķi 4 400 attēlos. Katra no 47 stāvošā ūdens vietām, ko modelis atzīmēja, patiešām lauka apstākļos saturēja ūdeni. Piecpadsmit no tām, 31,9%, saturēja odu kāpurus, tostarp divus galvenos vietējos malārijas vektorus. Rezultāts, kas publicēts šomēnes Scientific Reports, ir tīrākais zemo izmaksu ietvars odu dzīvotņu kartēšanai, ko 2026. gads ir devis, un tas darbojas bez satelīta, multispektrālā sensora vai attēlu salikšanas cauruļvada, kas līdz šim ir turējuši tehnoloģiju ārpus rajonu veselības biroju snieguma.

Ko raksts patiesībā darīja

Pangandarenas Sabiedrības veselības laboratorija, Indonēzijas Veselības ministrijas vienība, sadarbojās ar pētniekiem no Eimes Universitātes (Japāna), Lurio Universitātes (Mozambika), Tokijas Sieviešu medicīnas universitātes un Universitas Padjadjaran. Viņi jautāja: vai dziļās mācīšanās modelis var atrast stāvošu ūdeni lētos, neapstrādātos drona attēlos un izlaist dārgo soli to salikšanā vienā ģeogrāfiski piesaistītā kartē?

Atbilde ir jā. Komanda pārlidoja patērētāju dronus virs Pangandarenas reģences, piekrastes apriņķa Javas dienvidu malā, un savāca vairāk nekā 4 400 nekustīgu attēlu krāsu un pelēktoņu formātos, katru ar savu GPS birku. Komanda tos izlaida caur DeepLabV3+ modeli ar EfficientNetV2 mugurkaulu, 2026. gada darba zirgu zemo izmaksu datorredzē.

Modelis nemēģināja salikt fotoattēlus mozaīkā. Tas novērtēja katru attēlu atsevišķi, izmantoja GPS metadatus, lai novietotu pozitīvās prognozes uz kartes, un izspieda visu caur mākoņa cauruļvadu. Nav specializētas aparatūras. Nav patentētas attēlu salikšanas programmatūras. Nav multispektrālā sensora.

Ko modelis atrada

Segmentācijas kvalitāte, mērīta ar vidējo krustošanās un apvienošanas attiecību (mIoU), bija 0,86 uz krāsu attēliem un 0,80 uz pelēktoņu, abi ir publicēšanas līmeņa rādītāji ūdens objektu segmentācijai gaisa attēlos.

Skaitlis, kas sabiedrības veselības auditorijai ir svarīgāks, ir tas, kas notika laukā. Komanda apmeklēja 47 vietas, ko modelis bija atzīmējis kā stāvošu ūdeni. Katra saturēja ūdeni. Piecpadsmit no 47, 31,9%, saturēja odu kāpurus, tostarp divus galvenos vietējos malārijas vektorus Anopheles vagus un Anopheles sundaicus, pēdējais ir sāļā ūdenī dēstoša suga, kas uzplaukst Dienvidujavas piekrastes lagūnās.

31,9% rādītājs ir redakcionālais punkts. Lielākā daļa stāvoša ūdens nesatur odu kāpurus; modelis dara to, ko darītu cilvēku inspektors, atzīmējot katru peļķi, grāvi un rīsu lauka stūri, un ļaujot otrajai kārtai sašķirot īstās kāpuru dzīvotnes no nenozīmīgajām. Raksta inovācija ir pirmā kārta: padarīt to lētu, ātru un mērogojamu.

Kāpēc "bez ortomozaīkas" bits ir svarīgs

Līdz šim ar droniem balstīta dzīvotņu kartēšana nozīmēja ortomozaīkas, viena augstas izšķirtspējas ģeogrāfiski piesaistīta attēla, salikta no simtiem pārklājošu fotoattēlu, ražošanu. Šis solis prasa komerciālu programmatūru (Pix4D, Agisoft, DroneDeploy, gada licences ar zemu četru ciparu skaitli), darbvirsmas darbstaciju un stundām ilgu apstrādi vienai apsekojumam. Labi finansētai universitātes pētniecības grupai tas ir rutīna. Rajona veselības birojam malārijas endēmiskajā reģionā tas līdz šim ir bijis nesākts darbs.

Fransisko un viņa kolēģi to izlaida. Viņi izmantoja GPS koordinātas, kas iegultas katrā attēlā, un ļāva mākonim veikt smago darbu.

Trīs lietas, kas 2026. gadā konverģē

Pangandarenas raksts nonāk tajā pašā nedēļā kā trīs citi recenzēti rezultāti, kas maina to, ko "vektoru kontrole" nozīmē ierobežota budžeta veselības birojam.

Atmosfēras-un-pilsētas-formas literatūra tikko ir noslēgusi ilgi pastāvošu loku. 18. jūnija PNAS raksts, ko sarakstīja Lugão un kolēģi no Juiz de Fora Federālās universitātes un Gojas Federālās universitātes, modelē Aedes aegypti populācijas Brazīlijas pilsētās ar atmosfēras un pilsētas-formas kovariātēm un konstatē, ka pilsētas morfoloģija ir spēcīgāks karstāko punktu virzītājspēks nekā viena temperatūra. 19. jūnija iScience raksts, ko sarakstīja Liu un kolēģi, paplašina loģiku līdz 108 valstīm, ar plūdu ilgumu kā virzītājspēku. Ods ir pilsētas mēroga problēma, pirms tas ir laikapstākļu mēroga problēma.

Kopienas profilakses literatūra ir devusi savu tīrāko datu punktu. Filipīnu Veselības departaments ziņoja par 50 727 dengas gadījumiem 2026. gada pirmajos piecos mēnešos, par 56% mazāk nekā 2025. gadā, un novērtēja "4Ts" kampaņu: Taob, Taktak, Tuyo, Takip (iztukšot un apgāzt konteinerus, izpurināt ūdeni, turēt apkārtni sausu, pārklāt ūdens konteinerus). 4Ts darbojas, bet tikai tad, ja kopiena zina, kur atrodas perēšanas vietas. Pangandarenas raksts ir trūkstošais augšteces gabals.

AI-un-attēlveidošanas literatūra tagad ir devusi savu pirmo laukā validētu zemo izmaksu darbplūsmu kāpuru dzīvotņu kartēšanai. Pangandarenas raksts ir pirmā recenzētā demonstrācija, ka darbplūsma turas kopā malārijas endēmiskajā reģionā, ar vietējo vektoru kontroles komandu laukā un bez infrastruktūras, kas vēsturiski ir turējusi tehnoloģiju bagātās pasaules pētniecības literatūrā.

Trīs zari viens otru neaizvieto. Atmosfēras modeļi stāsta pilsētai, kur būs tās karstie punkti; kopienas kampaņas stāsta kaimiņattiecībām, ko darīt; dronu-un-AI darbplūsma stāsta lauka komandai, kuras peļķes iztukšot vispirms.

31,9% atklājums ir noderīgs atgādinājums mājsaimniecības līmenī: lielākā daļa stāvoša ūdens nav perēšanas vieta. Personīgās aizsardzības slānis nemainās: iztukšojiet paliktnīšus, apgāziet spaiņus, pārklājiet ūdens uzglabāšanas konteinerus, guliet zem apstrādāta tīkla vai sietinātās istabās un lietojiet pierādītu repelentu uz atklātās ādas krēslā un rītausmā.

Ko darīt

Mājsaimniecībai vai mazai vietai praktiskais secinājums no Pangandarenas atklājuma ir nemainīgs: lielākā daļa stāvoša ūdens nav perēšanas vieta, tāpēc darbs ir atrast tās dažas, kas ir.

• Iztukšojiet vai apgāziet jebkuru konteineru, kas var turēt ūdeni ilgāk par dažām dienām (spaiņi, augu paliktnīši, brezents, vecas riepas).
• Vismaz reizi nedēļā izpuriniet, berziet un atkārtoti piepildiet mājdzīvnieku dzeršanas traukus un putnu vanniņas; kāpuriem nepieciešamas aptuveni septiņas līdz desmit dienas, lai nogatavotos.
• Pārklājiet ūdens uzglabāšanas tvertnes un mucas ar cieši pieguļošiem vākiem vai smalku sietu.
• Pirms lietus sezonas iztīriet jumta notekas un plakana jumta notekas.
• Piepildiet vai nosusiniet zemās vietas dārzā un turiet zivis dekoratīvajos dīķos, kur iespējams; zivis, kas barojas ar kāpuriem, nomāc Culex un Anopheles vairošanos.
• Izmantojiet pierādītu personīgo aizsardzību krēslā un rītausmā: garas piedurknes un bikses, apstrādātu tīklu vai sietinātu istabu un repelentu uz atklātās ādas.
• Rajona vai pašvaldības komandām Pangandarenas darbplūsma tagad ir spēcīgākais publicētais gadījums zemo izmaksu dronu apsekojumu pievienošanai kārtējai kāpuru avotu apsaimniekošanai, īpaši lietus sezonā.

Ko vērot nākamo divpadsmit mēnešu laikā

Validācija citos reģionos. Pangandarenas raksts ir viens apriņķis piekrastes Indonēzijā. Darbplūsma būs jāatkārto Sahāra reģiona valstī, Dienvidamerikas pilsētā (kur dominē Aedes aegypti) un Klusā okeāna salā (kur cilvēka-savvaļas dzīvnieku saskarsme ir aktīvā pierobeža). Arhitektūra ir pārnēsājama; apmācības dati nav.

Atvērtā koda cauruļvads. Fransisko komanda izmantoja DeepLabV3+ un EfficientNetV2, bet modeļa svari un priekšapstrādes kods vēl nav publiski. Nozīmīgākais turpinājums būtu iepriekš apmācīta modeļa publiska izlaišana, ko jebkurš veselības departaments var lejupielādēt.

Integrācijas jautājums. Visnoderīgākais nākamais raksts savieno Pangandarenas darbplūsmu ar vektoru kontroles lēmumu: modelis atrod vietu, lauka komanda saņem tālruņa paziņojumu, darbinieks apstiprina kāpurus, vietējā 4Ts ekvivalentā kampaņa izvietojas 48 stundu laikā. Šis no gala līdz galam cikls ir operatīvi interesantā lieta. Pangandarenas raksts ir pirmais gabals.

Ko mēs zinām

• Dziļās mācīšanās modelis, kas apmācīts uz 4 400 nekustīgiem drona attēliem no Pangandarenas reģences Indonēzijā, identificēja stāvoša ūdens vietas ar vidējo krustošanās un apvienošanas attiecību (mIoU) 0,86 uz krāsu attēliem un 0,80 uz pelēktoņu, kas ir publicēšanas līmeņa rādītājs ūdens objektu segmentācijai gaisa attēlos. Francisco et al., Sci Rep (2026)
• 47 vietu, ko modelis atzīmēja kā stāvošu ūdeni, lauka validācija apstiprināja ūdens klātbūtni 100% gadījumu; 15 no šīm vietām (31,9%) saturēja odu kāpurus, tostarp galvenos vietējos malārijas vektorus Anopheles vagus un An. sundaicus. Francisco et al., Sci Rep (2026)
• Darbplūsma pilnībā apiet ortomozaīkas ģenerēšanu. Tā izmanto GPS metadatus, kas iegulti katrā atsevišķā drona attēlā, lai novietotu modeļa pozitīvās prognozes uz kartes, darbojas mākonī un neprasa specializētu aparatūru vai patentētu attēlu salikšanas programmatūru. Francisco et al., Sci Rep (2026)
• Arhitektūra ir DeepLabV3+ ar EfficientNetV2 mugurkaulu. Pētījumu vadīja pētnieki no Eimes Universitātes, Lurio Universitātes, Pangandarenas Sabiedrības veselības laboratorijas (Indonēzijas Veselības ministrija), Tokijas Sieviešu medicīnas universitātes un Universitas Padjadjaran. PubMed 42315628
• Darbu finansēja Japānas Zinātnes veicināšanas biedrības (JSPS) kopīgā pētniecības projekta dotācija JPJSCCB20240008, un raksts ir publicēts atvērtā piekļuvē Scientific Reports (DOI 10.1038/s41598-026-58240-4). Francisco et al., Sci Rep (2026)

Citētie avoti

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), 2026. gada 18. jūnijs. DOI 10.1038/s41598-026-58240-4. Atvērtā piekļuve. https://www.nature.com/articles/s41598-026-58240-4
2. Francisco et al. (2026), PubMed ieraksts, PMID 42315628, indeksēts 2026. gada 18. jūnijā. 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 2026. gada 19. jūnijs (tiešsaistē 2026. gada 25. aprīlis). 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, publicēts tiešsaistē 2026. gada 18. jūnijā. DOI 10.1073/pnas.2533964123. https://pubmed.ncbi.nlm.nih.gov/42313935/