Aprendizagem profunda detetou que 31,9% da água parada de uma regência indonésia continha larvas de mosquito

Uma equipa de saúde em Pangandaran sobrevoou uma única regência indonésia com um drone de consumo, alimentou as fotografias num modelo de aprendizagem profunda e deixou-o escolher todas as poças em 4400 imagens. Cada um dos 47 locais de água parada que o modelo sinalizou realmente continha água no terreno. Quinze deles, 31,9%, continham larvas de mosquito, incluindo os dois principais vetores locais da malária. O resultado, publicado este mês na Scientific Reports, é o playbook de baixo custo mais limpo para o mapeamento de habitats de mosquitos que 2026 já produziu, e corre sem o satélite, o sensor multiespectral ou a pipeline de mosaico de imagens que mantinham a tecnologia fora do alcance dos serviços de saúde distritais.

O que o artigo efetivamente fez

O Laboratório de Saúde Pública de Pangandaran, uma unidade do Ministério da Saúde da Indonésia, colaborou com investigadores da Universidade de Ehime (Japão), da Universidade Lurio (Moçambique), da Tokyo Women's Medical University e da Universitas Padjadjaran. Perguntaram: pode um modelo de aprendizagem profunda encontrar água parada em imagens de drone baratas e não processadas, e saltar o passo caro de as unir num único mapa georreferenciado?

A resposta é sim. A equipa sobrevoou drones de consumo sobre a Regência de Pangandaran, um distrito costeiro na borda sul de Java, e recolheu mais de 4400 imagens a cores e em escala de cinzentos, cada uma com a sua etiqueta GPS. A equipa submeteu-as a um modelo DeepLabV3+ com backbone EfficientNetV2, uma peça robusta da visão computacional de baixo custo em 2026.

O modelo não tentou unir as fotografias num mosaico. Pontuou cada imagem individualmente, usou os metadados GPS para colocar as previsões positivas num mapa e empurrou tudo através de uma pipeline na nuvem. Nenhum hardware especializado. Nenhum software proprietário de mosaico de imagens. Nenhum sensor multiespectral.

O que o modelo encontrou

A qualidade da segmentação, medida pelo mean Intersection over Union (mIoU), foi de 0,86 nas imagens a cores e de 0,80 nas de escala de cinzentos, ambas pontuações de qualidade publicável para a segmentação de massas de água em imagens aéreas.

O número que mais importa para um público de saúde pública é o que aconteceu no terreno. A equipa visitou 47 locais que o modelo tinha sinalizado como água parada. Todos continham água. Quinze dos 47, 31,9%, continham larvas de mosquito, incluindo os dois principais vetores locais da malária Anopheles vagus e Anopheles sundaicus, este último um criador de água salobra que prospera nas lagoas costeiras do sul de Java.

O número 31,9% é o ponto editorial. A maioria da água parada não contém larvas de mosquito; o modelo faz o que um topógrafo humano faria, sinalizando todas as poças, valas e cantos de arrozais, e deixando uma segunda passagem separar os habitats larvares reais dos irrelevantes. A inovação do artigo é a primeira passagem: torná-la barata, rápida e escalável.

Porque é que o detalhe «sem ortomosaico» importa

Até agora, o mapeamento de habitats com drones significava produzir um ortomosaico, uma imagem única, de alta resolução e georreferenciada, montada a partir de centenas de fotografias sobrepostas. O passo requer software comercial (Pix4D, Agisoft, DroneDeploy, licenças anuais na ordem dos quatro dígitos baixos), uma estação de trabalho desktop e horas de processamento por levantamento. Para um grupo de investigação numa universidade bem financiada, isto é rotina. Para um serviço de saúde distrital numa região endémica de malária, era um obstáculo intransponível.

Francisco e os seus colegas saltaram esse passo. Usaram as coordenadas GPS embutidas em cada imagem e deixaram a nuvem tratar do trabalho pesado.

As três coisas que estão a convergir em 2026

O artigo de Pangandaran cai na mesma semana de outros três resultados revistos por pares que mudam o que «controlo de vetores» significa para um serviço de saúde com orçamento limitado.

A literatura atmosférica e de forma urbana acabou de fechar um ciclo de longa data. O artigo da PNAS de 18 de Lugão e colegas da Universidade Federal de Juiz de Fora e da Universidade Federal de Goiás modela populações de Aedes aegypti em cidades brasileiras com covariáveis atmosféricas e de forma urbana, e conclui que a morfologia urbana é um fator mais forte dos hotspots do que apenas a temperatura. O artigo da iScience de 19 de junho de Liu e colegas estende a lógica a 108 países, com a duração das cheias como motor. O mosquito é um problema à escala da cidade antes de ser um problema à escala do clima.

A literatura de prevenção comunitária produziu o seu datapoint mais limpo. O Departamento de Saúde das Filipinas reportou 50.727 casos de dengue nos primeiros cinco meses de 2026, uma diminuição de 56% em relação a 2025, e creditou a campanha «4Ts»: Taob, Taktak, Tuyo, Takip (esvaziar e virar contentores, sacudir a água, manter o redor seco, tapar os contentores de água). As 4Ts funcionam, mas só quando uma comunidade sabe onde estão os locais de criação. O artigo de Pangandaran é a peça a montante que faltava.

A literatura de IA e imagem produziu agora a sua primeira pipeline validada no terreno, de baixo custo, para o mapeamento de habitats larvares. O artigo de Pangandaran é a primeira demonstração revista por pares de que a pipeline se mantém coerente numa região endémica de malária, com uma equipa local de controlo de vetores no terreno, e sem a infraestrutura que manteve historicamente a tecnologia na literatura de investigação do mundo rico.

Os três eixos não se substituem. Os modelos atmosféricos dizem a uma cidade onde estarão os seus hotspots; as campanhas comunitárias dizem a um bairro o que fazer; a pipeline de drone e IA diz a uma equipa de campo quais as poças a esvaziar primeiro.

O achado dos 31,9% é um lembrete útil ao nível do agregado familiar: a maioria da água parada não é um local de criação. A camada de proteção pessoal não muda: esvaziar os pratos, virar os baldes, tapar os contentores de armazenamento de água, dormir debaixo de rede mosquiteira tratada ou em quartos com redes, e usar um repelente de eficácia comprovada na pele exposta ao anoitecer e ao amanhecer.

O que fazer

Para um agregado familiar ou local pequeno, a conclusão prática do achado de Pangandaran mantém-se: a maioria da água parada não é um local de criação, pelo que o trabalho está em encontrar as poucas que o são.

• Esvaziar ou virar qualquer contentor que possa reter água durante mais do que alguns dias (baldes, pratos de vasos, lonas, pneus velhos).
• Sacudir, esfregar e voltar a encher tigelas de animais e bebedouros de pássaros pelo menos uma vez por semana; as larvas levam cerca de sete a dez dias a amadurecer.
• Tapar depósitos e barris de armazenamento de água com tampas justas ou rede fina.
• Limpar caleiras e drenos de telhado plano antes da estação das chuvas.
• Encher ou drenar pontos baixos do jardim e manter peixes em lagos ornamentais sempre que possível; peixes larvívoros suprimem a reprodução de Culex e Anopheles.
• Usar proteção pessoal comprovada ao amanhecer e ao anoitecer: mangas compridas e calças, rede tratada ou quarto com rede, e repelente na pele exposta.
• Para equipas distritais ou municipais, a pipeline de Pangandaran é agora o caso publicado mais forte para adicionar levantamentos com drones de baixo custo à gestão rotineira de focos larvares, especialmente durante a estação das chuvas.

O que acompanhar nos próximos doze meses

Validação noutras regiões. O artigo de Pangandaran refere-se a um único distrito na Indonésia costeira. A pipeline precisará de ser reexecutada num país do Sahel, numa cidade sul-americana (onde Aedes aegypti domina) e numa ilha do Pacífico (onde a interface humano-fauna selvagem é a frente ativa). A arquitetura é portátil; os dados de treino não são.

Uma pipeline de código aberto. A equipa de Francisco usou DeepLabV3+ e EfficientNetV2, mas os pesos do modelo e o código de pré-processamento ainda não são públicos. O acompanhamento mais consequente seria o lançamento público de um modelo pré-treinado que qualquer departamento de saúde pudesse descarregar.

A questão da integração. O artigo mais útil a seguir encadeia a pipeline de Pangandaran a uma decisão de controlo de vetores: o modelo encontra um local, a equipa de campo recebe uma notificação no telemóvel, o trabalhador confirma as larvas, a campanha local equivalente às 4Ts é implementada em 48 horas. Esse ciclo de ponta a ponta é a coisa operacionalmente interessante. O artigo de Pangandaran é a primeira peça.

O que sabemos

• Um modelo de aprendizagem profunda treinado em 4400 imagens de drone da Regência de Pangandaran, Indonésia, identificou locais de água parada com um mean Intersection over Union (mIoU) de 0,86 em imagens a cores e de 0,80 em escala de cinzentos, uma pontuação publicável para a segmentação de massas de água em imagens aéreas. Francisco et al., Sci Rep (2026)
• A validação no terreno de 47 locais sinalizados pelo modelo como água parada confirmou a presença de água em 100% dos casos; 15 desses locais (31,9%) continham larvas de mosquito, incluindo os principais vetores locais da malária Anopheles vagus e An. sundaicus. Francisco et al., Sci Rep (2026)
• A pipeline contorna por completo a geração do ortomosaico. Utiliza os metadados GPS embutidos em cada imagem individual de drone para colocar no mapa as previsões positivas do modelo, corre na nuvem e não requer hardware especializado nem software proprietário de mosaico de imagens. Francisco et al., Sci Rep (2026)
• A arquitetura é DeepLabV3+ com backbone EfficientNetV2. O estudo foi conduzido por investigadores da Universidade de Ehime, da Universidade Lurio, do Laboratório de Saúde Pública de Pangandaran (Ministério da Saúde da Indonésia), da Tokyo Women's Medical University e da Universitas Padjadjaran. PubMed 42315628
• O trabalho foi financiado pela bolsa Joint Research Project JPJSCCB20240008 da Japan Society for the Promotion of Science (JSPS), e o artigo está publicado em acesso aberto na Scientific Reports (DOI 10.1038/s41598-026-58240-4). Francisco et al., Sci Rep (2026)

Fontes citadas

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 de junho de 2026. DOI 10.1038/s41598-026-58240-4. Acesso aberto. https://www.nature.com/articles/s41598-026-58240-4
2. Francisco et al. (2026), registo PubMed, PMID 42315628, indexado a 18 de junho de 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 de junho de 2026 (publicado online a 25 de abril de 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, publicado online a 18 de junho de 2026. DOI 10.1073/pnas.2533964123. https://pubmed.ncbi.nlm.nih.gov/42313935/