Głębokie uczenie wykazało, że 31,9% stojącej wody w jednym indonezyjskim regencji zawierało larwy komarów

Zespół zdrowia publicznego w Pangandaran wykonał nalot dronem konsumenckim nad jedną indonezyjską regencją, wprowadził zdjęcia do modelu głębokiego uczenia i pozwolił mu wybrać każdą kałużę w 4400 obrazach. Każde z 47 miejsc ze stojącą wodą, które model oznaczył, faktycznie zawierało wodę w terenie. Piętnaście z nich, 31,9%, zawierało larwy komarów, w tym dwa główne lokalne wektory malarii. Wynik, opublikowany w tym miesiącu w Scientific Reports, jest najczystszym playbookiem mapowania siedlisk komarów przy niskich kosztach, jaki wyprodukował 2026 r., i działa bez satelity, czujnika multispektralnego ani pipeline'u składania obrazów, które utrzymywały tę technologię poza zasięgiem powiatowych urzędów zdrowia.

Co właściwie zrobiła ta praca

Laboratorium Zdrowia Publicznego Pangandaran, jednostka indonezyjskiego Ministerstwa Zdrowia, nawiązało współpracę z badaczami z Ehime University (Japonia), Lurio University (Mozambik), Tokyo Women's Medical University i Universitas Padjadjaran. Zadano pytanie: czy model głębokiego uczenia może znaleźć stojącą wodę w tanich, nieprzetworzonych obrazach z dronów, pomijając kosztowny etap składania ich w jedną georeferencjonowaną mapę?

Odpowiedź brzmi: tak. Zespół wykonał nalot dronami konsumenckimi nad Regencją Pangandaran, nadbrzeżnym dystryktem na południowym skraju Jawy, i zebrał ponad 4400 zdjęć w kolorze i w skali szarości, każde z własnym znacznikiem GPS. Zespół przepuścił je przez model DeepLabV3+ z bazą EfficientNetV2, który w 2026 r. był koniem roboczym niskokosztowego widzenia komputerowego.

Model nie próbował składać zdjęć w mozaikę. Oceniał każdy obraz indywidualnie, używał metadanych GPS do umieszczenia pozytywnych predykcji na mapie i przetwarzał wszystko w pipeline chmurowym. Bez specjalistycznego sprzętu. Bez zastrzeżonego oprogramowania do składania obrazów. Bez czujnika multispektralnego.

Co znalazł model

Jakość segmentacji, mierzona średnim Intersection over Union (mIoU), wyniosła 0,86 na obrazach kolorowych i 0,80 na obrazach w skali szarości, co stanowi wynik na poziomie publikacji w segmentacji zbiorników wodnych w obrazowaniu lotniczym.

Liczbą bardziej istotną dla odbiorcy zdrowia publicznego jest to, co wydarzyło się w terenie. Zespół odwiedził 47 miejsc oznaczonych przez model jako stojąca woda. Każde zawierało wodę. Piętnaście z 47, 31,9%, zawierało larwy komarów, w tym dwa główne lokalne wektory malarii Anopheles vagus i Anopheles sundaicus, z czego ten ostatni jest hodowlanym w wodzie słonawskiej, rozwijającym się w przybrzeżnych lagunach południowej Jawy.

Wartość 31,9% jest redakcyjnym punktem. Większość stojącej wody nie zawiera larw komarów; model robi to, co zrobiłby ludzki badacz, oznaczając każdą kałużę, rów i zakątek pola ryżowego, pozwalając drugiemu przejściu posortować rzeczywiste siedliska larwalne od nieistotnych. Innowacją artykułu jest pierwsze przejście: uczynienie go tanim, szybkim i skalowalnym.

Dlaczego kwestia „bez ortomozaiki" ma znaczenie

Do tej pory mapowanie siedlisk oparte na dronach oznaczało wytworzenie ortomozaiki, jednego, wysokorozdzielczego, georeferencjonowanego obrazu złożonego z setek nakładających się zdjęć. Ten etap wymaga komercyjnego oprogramowania (Pix4D, Agisoft, DroneDeploy, roczne licencje rzędu niskich tysięcy), stacji roboczej i godzin przetwarzania na jeden nalot. Dla grupy badawczej na dobrze finansowanym uniwersytecie to rutyna. Dla powiatowego urzędu zdrowia w regionie endemicznym dla malarii był to punkt wyjścia, którego nie dało się osiągnąć.

Francisco i jego współpracownicy pominęli ten etap. Użyli współrzędnych GPS osadzonych w każdym obrazie i pozwolili chmurze wykonać ciężką pracę.

Trzy rzeczy, które zbiegają się w 2026 r.

Artykuł Pangandaran ląduje w tym samym tygodniu co trzy inne recenzowane wyniki, które zmieniają znaczenie „zwalczania wektorów" dla urzędu zdrowia działającego przy napiętym budżecie.

Literatura dotycząca atmosfery i formy urbanistycznej właśnie zamknęła trwającą od dawna pętlę. Artykuł w PNAS z 18 czerwca autorstwa Lugão i współpracowników z Federal University of Juiz de Fora oraz Universidade Federal de Goiás modeluje populacje Aedes aegypti w brazylijskich miastach z uwzględnieniem zarówno atmosfery, jak i formy urbanistycznej, i stwierdza, że morfologia miejska jest silniejszym czynnikiem hotspotów niż sama temperatura. Artykuł w iScience z 19 czerwca autorstwa Liu i współpracowników rozszerza tę logikę na 108 krajów, z czasem trwania powodzi jako czynnikiem napędzającym. Komar jest problemem w skali miasta, zanim stanie się problemem w skali pogody.

Literatura dotycząca profilaktyki społecznościowej wyprodukowała swój najczystszy punkt danych. Filipiński Departament Zdrowia odnotował 50 727 przypadków dengi w pierwszych pięciu miesiącach 2026 r., co stanowi spadek o 56% w porównaniu z 2025 r., i przypisał zasługę kampanii „4Ts": Taob, Taktak, Tuyo, Takip (opróżnianie i odwracanie pojemników, wylewanie wody, utrzymywanie suchego otoczenia, przykrywanie pojemników z wodą). Program 4Ts działa, ale tylko wtedy, gdy społeczność wie, gdzie są miejsca lęgowe. Artykuł Pangandaran jest brakującym wcześniej ogniwem w tym łańcuchu.

Literatura dotycząca sztucznej inteligencji i obrazowania wytworzyła właśnie swój pierwszy walidowany w terenie niskokosztowy workflow mapowania siedlisk larwalnych. Artykuł Pangandaran jest pierwszą recenzowaną demonstracją, że workflow trzyma się razem w regionie endemicznym dla malarii, z lokalnym zespołem zwalczania wektorów w terenie i bez infrastruktury, która historycznie utrzymywała tę technologię w literaturze badawczej bogatego świata.

Te trzy nurty się nie zastępują. Modele atmosferyczne mówią miastu, gdzie będą hotspoty; kampanie społecznościowe mówią sąsiedztwu, co robić; workflow dron-i-AI mówi zespołowi terenowemu, które kałuże najpierw opróżnić.

Wartość 31,9% jest użytecznym przypomnieniem na poziomie gospodarstwa domowego: większość stojącej wody nie jest miejscem lęgowym. Warstwa ochrony osobistej się nie zmienia: opróżniajcie spodki, odwracajcie wiadra, przykrywajcie zbiorniki wody, śpijcie pod moskitierą nasączoną środkiem owadobójczym lub w osiatkowanych pomieszczeniach i stosujcie sprawdzony repelent na odsłoniętej skórze o zmierzchu i o świcie.

Co robić

Dla gospodarstwa domowego lub małego obiektu praktyczny wniosek z odkrycia Pangandaran jest niezmieniony: większość stojącej wody nie jest miejscem lęgowym, więc praca polega na znalezieniu tych nielicznych, które są.

• Opróżnijcie lub odwróćcie każdy pojemnik, który może utrzymać wodę dłużej niż kilka dni (wiadra, spodki pod doniczkami, plandeki, stare opony).
• Wypłuczcie, wyszorujcie i ponownie napełnijcie miski dla zwierząt i kąpiele dla ptaków co najmniej raz w tygodniu; larwy dojrzewają w przybliżeniu siedem do dziesięciu dni.
• Przykryjcie zbiorniki i beczki na wodę szczelnymi pokrywami lub drobną siatką.
• Oczyśćcie rynny dachowe i odpływy z płaskich dachów przed sezonem deszczowym.
• Wypełnijcie lub odprowadźcie wodę z niskich miejsc w ogrodzie i, jeśli to możliwe, trzymajcie ryby w ozdobnych stawach; ryby larwożerne ograniczają rozmnażanie Culex i Anopheles.
• Stosujcie sprawdzoną ochronę osobistą o zmierzchu i o świcie: długie rękawy i nogawki, moskitierę nasączoną środkiem owadobójczym lub osiatkowane pomieszczenie i repelent na odsłoniętej skórze.
• Dla zespołów powiatowych lub gminnych workflow Pangandaran jest teraz najsilniejszym opublikowanym argumentem za dodaniem tanich nalotów dronami do rutynowego zarządzania źródłami larwalnymi, szczególnie w sezonie deszczowym.

Co obserwować w ciągu najbliższych dwunastu miesięcy

Walidacja w innych regionach. Artykuł Pangandaran dotyczy jednego dystryktu w nadbrzeżnej Indonezji. Workflow wymaga ponownego uruchomienia w kraju saharyjskim, w mieście w Ameryce Południowej (gdzie dominuje Aedes aegypti) i na wyspie Pacyfiku (gdzie interfejs człowiek-dzika przyroda jest aktywną granicą). Architektura jest przenośna; dane treningowe nie.

Otwarty pipeline. Zespół Francisco użył DeepLabV3+ i EfficientNetV2, ale wagi modelu i kod przetwarzania wstępnego nie są jeszcze publiczne. Najbardziej znaczącym krokiem naprzód byłoby publiczne udostępnienie wstępnie wytrenowanego modelu, który każdy departament zdrowia może pobrać.

Pytanie o integrację. Najbardziej użyteczny kolejny artykuł łączy workflow Pangandaran z decyzją o zwalczaniu wektorów: model znajduje miejsce, zespół terenowy otrzymuje powiadomienie na telefon, pracownik potwierdza larwy, lokalna kampania typu 4Ts zostaje uruchomiona w ciągu 48 godzin. Ta pętla end-to-end jest operacyjnie interesującym elementem. Artykuł Pangandaran jest jej pierwszym elementem.

Co wiemy

• Model głębokiego uczenia wytrenowany na 4400 pojedynczych zdjęciach z drona z Regencji Pangandaran w Indonezji zidentyfikował miejsca ze stojącą wodą ze średnim Intersection over Union (mIoU) wynoszącym 0,86 na obrazach kolorowych i 0,80 na obrazach w skali szarości, co stanowi wynik na poziomie publikacji w segmentacji zbiorników wodnych w obrazowaniu lotniczym. Francisco i in., Sci Rep (2026)
• Walidacja terenowa 47 miejsc, które model oznaczył jako stojącą wodę, potwierdziła obecność wody w 100% przypadków; 15 z tych miejsc (31,9%) zawierało larwy komarów, w tym główne lokalne wektory malarii Anopheles vagus i An. sundaicus. Francisco i in., Sci Rep (2026)
• Workflow całkowicie omija generowanie ortomozaiki. Wykorzystuje metadane GPS osadzone w każdym pojedynczym obrazie z drona do umieszczenia pozytywnych predykcji modelu na mapie, działa w chmurze i nie wymaga specjalistycznego sprzętu ani zastrzeżonego oprogramowania do składania obrazów. Francisco i in., Sci Rep (2026)
• Architektura to DeepLabV3+ z bazą EfficientNetV2. Badanie prowadzili badacze z Ehime University, Lurio University, Pangandaran Public Health Laboratory (indonezyjskie Ministerstwo Zdrowia), Tokyo Women's Medical University i Universitas Padjadjaran. PubMed 42315628
• Praca była finansowana z grantu Japan Society for the Promotion of Science (JSPS) Joint Research Project o numerze JPJSCCB20240008, a artykuł ukazał się w otwartym dostępie w Scientific Reports (DOI 10.1038/s41598-026-58240-4). Francisco i in., Sci Rep (2026)

Cytowane źródła

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 czerwca 2026 r. DOI 10.1038/s41598-026-58240-4. Otwarty dostęp. https://www.nature.com/articles/s41598-026-58240-4
2. Francisco i in. (2026), rekord PubMed, PMID 42315628, zaindeksowany 18 czerwca 2026 r. 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), kolekcja elektroniczna 19 czerwca 2026 r. (online 25 kwietnia 2026 r.). 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, opublikowane online 18 czerwca 2026 r. DOI 10.1073/pnas.2533964123. https://pubmed.ncbi.nlm.nih.gov/42313935/

Opublikowano 2026-06-23 · Mosticare Editorial