Deep learning vond muggenlarven in 31,9% van het stilstaande water in een Indonesische regentschap

Een gezondheidsteam in Pangandaran vloog met een consumentendrone over een enkel Indonesisch regentschap, voerde de foto's in een deep-learning-model in en liet het model in 4.400 beelden elke plas selecteren. Elk van de 47 locaties met stilstaand water die het model aanwees, bleek in het veld ook daadwerkelijk water te bevatten. Vijftien daarvan, 31,9%, bevatten muggenlarven, inclusief de twee primaire lokale malariavectoren. Het resultaat, deze maand gepubliceerd in Scientific Reports, is het meest overzichtelijke low-cost draaiboek voor het in kaart brengen van munggenhabitats dat 2026 heeft voortgebracht, en het werkt zonder de satelliet, multispectrale sensor of beeldstitching-pijplijn die de technologie tot nu toe buiten bereik van lokale gezondheidsdiensten hielden.

Wat het artikel daadwerkelijk deed

Het Pangandaran Public Health Laboratory, een onderdeel van het Indonesische ministerie van Volksgezondheid, werkte samen met onderzoekers van de Ehime University (Japan), Lurio University (Mozambique), Tokyo Women's Medical University en de Universitas Padjadjaran. De vraag was: kan een deep-learning-model stilstaand water vinden in goedkope, onbewerkte dronebeelden, en daarbij de dure stap overslaan om ze tot één gegeorefereerde kaart te stitchen?

Het antwoord is ja. Het team vloog met consumentendrones boven het Regentschap Pangandaran, een kustdistrict aan de zuidrand van Java, en verzamelde meer dan 4.400 foto's in kleur en grijswaarden, elk met een eigen GPS-tag. Het team voerde ze door een DeepLabV3+-model met EfficientNetV2-rugdekking, een werkpaard van low-cost computervisie in 2026.

Het model probeerde de foto's niet tot een mozaïek te stitchen. Het scoorde elke afbeelding afzonderlijk, gebruikte de GPS-metadata om positieve voorspellingen op een kaart te plaatsen, en liet alles via een cloud-pijplijn lopen. Geen gespecialiseerde hardware. Geen propriëtaire beeldstitching-software. Geen multispectrale sensor.

Wat het model vond

De segmentatiekwaliteit, gemeten als gemiddelde Intersection over Union (mIoU), was 0,86 op de kleurenbeelden en 0,80 op grijswaarden, beide publicatiekwaliteitsscores voor waterlichaamsegmentatie in luchtfotografie.

Het getal dat er voor een volksgezondheidspubliek meer toe doet, is wat er in het veld gebeurde. Het team bezocht 47 locaties die het model had aangewezen als stilstaand water. Ze bevatten allemaal water. Vijftien van de 47, 31,9%, bevatten muggenlarven, inclusief de twee voornaamste lokale malariavectoren Anopheles vagus en Anopheles sundaicus, waarvan de laatste een broedt in brak water en gedijt in de kustlagunen van zuidelijk Java.

Het cijfer 31,9% is het redactionele punt. De meeste stilstaande wateren bevatten geen muggenlarven; het model doet wat een menselijke opnemer zou doen, het markeert elke plas, greppel en rijstveldhoek, en laat een tweede ronde de echte larvale habitats scheiden van de irrelevante. De innovatie van het artikel is de eerste ronde: het goedkoop, snel en schaalbaar maken.

Waarom het "geen orthomozaïek"-onderdeel ertoe doet

Tot nu toe betekende drone-gebaseerde habitatkartering dat er een orthomozaïek moest worden gemaakt, één enkele, hoge-resolutie, gegeorefereerde afbeelding, gestitched uit honderden overlappende foto's. Die stap vereiste commerciële software (Pix4D, Agisoft, DroneDeploy, jaarlijkse licenties in de lage vier cijfers), een desktopwerkstation en uren verwerking per survey. Voor een onderzoeksgroep aan een goed gefinancierde universiteit is dat routine. Voor een districtsgezondheidsdienst in een malariagebied was het tot nu toe onhaalbaar.

Francisco en collega's sloegen die stap over. Ze gebruikten de GPS-coördinaten die in elke afbeelding waren ingebed, en lieten de cloud het zware werk doen.

De drie dingen die in 2026 samenkomen

Het Pangandaran-artikel landt in dezelfde week als drie andere peer-reviewed resultaten die veranderen wat "vectorbestrijding" betekent voor een krap-budget gezondheidsdienst.

De atmosferisch-en-stedelijk-vorm-literatuur heeft zojuist een lang openstaande lus gesloten. Het PNAS-artikel van 18 juni door Lugão en collega's van de Federal University of Juiz de Fora en de Universidade Federal de Goiás modelleert Aedes aegypti-populaties in Braziliaanse steden met zowel atmosferische als stedelijk-vormcovariaten, en vindt dat stedelijke morfologie een sterkere drijfveer van hotspots is dan temperatuur alleen. Het iScience-artikel van 19 juni door Liu en collega's breidt de logica uit naar 108 landen, met overstromingsduur als drijfveer. De mug is een probleem op stadsniveau vóór het een probleem op weersniveau is.

De gemeenschapspreventie-literatuur heeft haar schoonste datapunt voortgebracht. Het Filipijnse ministerie van Volksgezondheid rapporteerde 50.727 denguegevallen in de eerste vijf maanden van 2026, een daling van 56% ten opzichte van 2025, en schreef dat toe aan de "4Ts"-campagne: Taob, Taktak, Tuyo, Takip (containers legen en omkeren, water uitschudden, de omgeving drooghouden, watercontainers afdekken). De 4Ts werken, maar alleen wanneer een gemeenschap weet waar de broedplaatsen zijn. Het Pangandaran-artikel is het ontbrekende stuk stroomopwaarts.

De AI-en-beeldvorming-literatuur heeft nu haar eerste veldgevalideerde low-cost werkwijze voor larvale habitatkartering voortgebracht. Het Pangandaran-artikel is de eerste peer-reviewed demonstratie dat de werkwijze standhoudt in een malariagebied, met een lokaal vectorbestrijdingsteam in het veld, en zonder de infrastructuur die de technologie tot nu toe in de literatuur van de rijke wereld hield.

De drie sporen vervangen elkaar niet. De atmosferische modellen vertellen een stad waar de hotspots zullen zijn; de gemeenschapscampagnes vertellen een buurt wat te doen; de drone-en-AI-werkwijze vertelt een veldteam welke plassen eerst geleegd moeten worden.

De bevinding van 31,9% is een nuttige herinnering op huishoudniveau: de meeste stilstaande wateren zijn geen broedplaats. De persoonlijke beschermingslaag verandert niet: leeg schotels, kantel emmers, dek wateropslagcontainers af, slaap onder behandelde netten of in afgeschermde kamers, en gebruik een bewezen insectenwerend middel op onbedekte huid bij zonsondergang en zonsopgang.

Wat te doen

Voor een huishouden of kleine locatie is de praktische les uit de Pangandaran-bevinding onveranderd: de meeste stilstaande wateren zijn geen broedplaats, dus het werk zit hem in het vinden van de paar die dat wél zijn.

• Ledig of kantel elke container die langer dan een paar dagen water kan vasthouden (emmers, plantenschotels, zeilen, oude banden).
• Schud, schrob en vul drinkbakken voor huisdieren en vogelbadjes minstens wekelijks bij; larven doen er ruwweg zeven tot tien dagen over om volwassen te worden.
• Dek watertanks en vaten af met goed sluitende deksels of fijn gaas.
• Maak dakgoten en platte-dak-afvoeren vrij voor het regenseizoen.
• Vul lage plekken in de tuin of drain ze, en houd waar mogelijk vissen in siervijvers; larvenetende vissen onderdrukken de broed van Culex en Anopheles.
• Gebruik bewezen persoonlijke bescherming bij zonsondergang en zonsopgang: lange mouwen en broeken, een behandeld net of afgeschermde kamer, en een insectenwerend middel op onbedekte huid.
• Voor districts- of gemeentelijke teams is de Pangandaran-werkwijze nu de sterkste gepubliceerde casus om low-cost drone-surveys op te nemen in de routinematige larvale bronbestrijding, vooral tijdens het regenseizoen.

Wat de komende twaalf maanden in de gaten te houden

Validatie in andere regio's. Het Pangandaran-artikel betreft een enkel district in kust-Indonesië. De werkwijze moet opnieuw worden gedraaid in een Sahel-land, een Zuid-Amerikaanse stad (waar Aedes aegypti domineert) en een Pacifisch eiland (waar de mens-wildlife-interactie het actieve front is). De architectuur is draagbaar; de trainingsdata niet.

Een opensource-pijplijn. Het team van Francisco gebruikte DeepLabV3+ en EfficientNetV2, maar de modelgewichten en pre-processing-code zijn nog niet openbaar. De meest gewichtige vervolgstap zou een publieke release zijn van een voorgetraind model dat elke gezondheidsdienst kan downloaden.

De integratievraag. Het nuttigste volgende artikel koppelt de Pangandaran-werkwijze aan een vectorbestrijdingsbeslissing: het model vindt een locatie, het veldteam krijgt een melding op de telefoon, een medewerker bevestigt de larven, de lokale 4Ts-equivalentcampagne wordt binnen 48 uur uitgerold. Die end-to-end-lus is operationeel het meest interessante. Het Pangandaran-artikel is het eerste stuk.

Wat we weten

• Een deep-learning-model, getraind op 4.400 afzonderlijke dronebeelden uit het Regentschap Pangandaran, Indonesië, identificeerde stilstaand-waterlocaties met een gemiddelde Intersection over Union (mIoU) van 0,86 op kleurenbeelden en 0,80 op grijswaarden, een publicatiekwaliteitsscore voor waterlichaamsegmentatie in luchtfotografie. Francisco et al., Sci Rep (2026)
• Veldvalidatie van 47 locaties die het model als stilstaand water aanwees, bevestigde water in 100% van de gevallen; 15 van die locaties (31,9%) bevatten muggenlarven, inclusief de primaire lokale malariavectoren Anopheles vagus en An. sundaicus. Francisco et al., Sci Rep (2026)
• De werkwijze omzeilt orthomozaïekgeneratie volledig. Ze gebruikt de GPS-metadata die in elke afzonderlijke dronebeeld is ingebed om de positieve voorspellingen van het model op een kaart te plaatsen, draait in de cloud, en vereist geen gespecialiseerde hardware of propriëtaire beeldstitching-software. Francisco et al., Sci Rep (2026)
• De architectuur is DeepLabV3+ met een EfficientNetV2-rugdekking. Het onderzoek werd geleid door onderzoekers van de Ehime University, Lurio University, het Pangandaran Public Health Laboratory (Indonesisch ministerie van Volksgezondheid), Tokyo Women's Medical University en de Universitas Padjadjaran. PubMed 42315628
• Het werk werd gefinancierd door de Japan Society for the Promotion of Science (JSPS) Joint Research Project-subsidie JPJSCCB20240008, en het artikel is open access gepubliceerd in Scientific Reports (DOI 10.1038/s41598-026-58240-4). Francisco et al., Sci Rep (2026)

Bronnen

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 juni 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, geïndexeerd 18 juni 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 juni 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, online gepubliceerd 18 juni 2026. DOI 10.1073/pnas.2533964123. https://pubmed.ncbi.nlm.nih.gov/42313935/