Derin öğrenme, bir Endonezya regentliğinde durgun suların yüzde 31,9'unun sivrisinek larvası barındırdığını buldu

Pangandaran'da bir sağlık ekibi tek bir Endonezya regentliği üzerinde tüketici sınıfı bir insansız hava aracı uçurdu, fotoğrafları bir derin öğrenme modeline verdi ve 4.400 görüntüdeki her su birikintisini modelin seçmesine izin verdi. Modelin işaretlediği 47 durgun su noktasının her biri sahada gerçekten su tutuyordu. Bunlardan 15'i, yüzde 31,9'u, iki birincil yerel sıtma vektörü de dahil sivrisinek larvası barındırıyordu. Sonuç, bu ay Scientific Reports'ta yayımlandı ve 2026'nın ürettiği en temiz düşük bütçeli sivrisinek habitat haritalama oyun planı; uydu, multispektral sensör ve görüntü birleştirme boru hattı olmadan çalışıyor, bunlar teknolojiyi ilçe sağlık müdürlüklerinin erişim alanının dışında tutan parçalardı.

Makalenin fiilen yaptığı

Endonezya Sağlık Bakanlığı'nın bir birimi olan Pangandaran Halk Sağlığı Laboratuvarı, Ehime Üniversitesi (Japonya), Lurio Üniversitesi (Mozambik), Tokyo Kadın Üniversitesi Tıp Fakültesi ve Universitas Padjadjaran'dan araştırmacılarla ortaklık kurdu. Sordukları soru şuydu: Ucuz, işlenmemiş insansız hava aracı görüntülerinde derin öğrenme modeli durgun su bulabilir mi ve pahalı adım olan fotoğrafları tek bir coğrafi referanslı haritaya birleştirmeyi atlayabilir mi?

Cevap evet. Ekip, Java'nın güney kenarındaki kıyı bir ilçe olan Pangandaran Regentliği üzerinde tüketici sınıfı insansız hava araçları uçurdu ve kendi GPS etiketleriyle 4.400'den fazla renkli ve gri tonlu durağan görüntü topladı. Ekip bunları EfficientNetV2 omurgalı bir DeepLabV3+ modelinden geçirdi; bu, 2026'da düşük bütçeli bilgisayarlı görmenin iş atıydı.

Model fotoğrafları mozaik halinde birleştirmeye çalışmadı. Her görüntüyü ayrı ayrı puanladı, pozitif tahminleri haritaya yerleştirmek için GPS meta verisini kullandı ve her şeyi bulut tabanlı bir boru hattından geçirdi. Özel donanım yok. Tescilli görüntü birleştirme yazılımı yok. Multispektral sensör yok.

Modelin buldukları

Ortalama Kesişim Birlik (mIoU) ile ölçülen segmentasyon kalitesi, renkli görüntülerde 0,86 ve gri tonlu görüntülerde 0,80 idi; her ikisi de havadan görüntülerde su kütlesi segmentasyonu için yayın kalitesinde puanlardır.

Halk sağlığı kitlesi için daha çok önem taşıyan sayı, sahada olan şey. Ekip, modelin durgun su olarak işaretlediği 47 noktayı ziyaret etti. Hepsinde su vardı. 47 noktadan 15'i, yüzde 31,9'u, Anopheles vagus ve Anopheles sundaicus (ikincisi, Java'nın güneyindeki kıyı lagünlerinde gelişen acı su yetiştiricisi) dahil sivrisinek larvası barındırıyordu.

Yüzde 31,9'luk oran editöryal noktadır. Durgun suyun çoğu sivrisinek larvası barındırmaz; model, bir insan araştırmacının yapacağını yapar: her su birikintisini, hendeği ve çeltik köşesini işaretler ve ikinci bir geçişin gerçek larva habitatlarını ilgisiz olanlardan ayırmasına izin verir. Makalenin yeniliği ilk geçiştir: onu ucuz, hızlı ve ölçeklenebilir kılmak.

"Ortomozayoksun" kısmının neden önemli olduğu

Bugüne kadar insansız hava aracı tabanlı habitat haritalama, bir ortomozaiği, yüzlerce örtüşen fotoğraftan birleştirilmiş tek bir yüksek çözünürlüklü, coğrafi referanslı görüntüyü üretmek anlamına geliyordu. Adım, ticari yazılım (Pix4D, Agisoft, DroneDeploy; düşük dört basamağında yıllık lisanslar), bir masaüstü iş istasyonu ve araştırma başına saatlerce işlem gerektirir. İyi finanse edilen bir üniversitedeki araştırma grubu için bu rutin. Sıtma endemik bir bölgedeki bir ilçe sağlık müdürlüğü için bu, başından itibaren devre dışı bırakılmış bir seçenekti.

Francisco ve meslektaşları bu adımı atladı. Her görüntüye gömülü GPS koordinatlarını kullandılar ve ağır işi buluta bıraktılar.

2026'da yakınsayan üç şey

Pangandaran makalesi, sıkı bütçeli bir sağlık müdürlüğü için "vektör kontrolü"nün ne anlama geldiğini değiştiren aynı haftadaki diğer üç hakemli sonuçla birlikte geliyor.

Atmosferik ve kentsel form literatürü uzun süredir açık bir döngüyü kapattı. Juiz de Fora Federal Üniversitesi ve Universidade Federal de Goiás'dan Lugão ve meslektaşlarının 18 Haziran tarihli PNAS makalesi, hem atmosferik hem kentsel form ortak değişkenleriyle Brezilya kentleri genelinde Aedes aegypti popülasyonlarını modelliyor ve kentsel morfolojinin sıcak noktaların yalnızca sıcaklıktan daha güçlü bir belirleyicisi olduğunu buluyor. Liu ve meslektaşlarının 19 Haziran tarihli iScience makalesi mantığı 108 ülkeye, belirleyici olarak sel süresiyle genişletiyor. Sivrisinek, hava ölçekli bir sorun olmadan önce kent ölçekli bir sorundur.

Toplum temelli önleme literatürü en temiz veri noktasını üretti. Filipinler Sağlık Bakanlığı, 2026'nın ilk beş ayında 50.727 dang vakası bildirdi, 2025'e göre yüzde 56 düşüş, ve bunu "4T" kampanyasına bağladı: Taob, Taktak, Tuyo, Takip (kapları boşalt ve ters çevir, suyu çalkala, çevreyi kuru tut, su kaplarını ört). 4T işe yarar, ama ancak bir topluluk üreme noktalarının nerede olduğunu bildiğinde. Pangandaran makalesi eksik olan yukarı yöndeki parçadır.

Yapay zekâ ve görüntüleme literatürü larva habitat haritalama için ilk saha doğrulamalı düşük bütçeli iş akışını üretti. Pangandaran makalesi, iş akışının bir sıtma endemik bölgede, sahadaki yerel bir vektör kontrol ekibiyle ve teknolojiyi tarihsel olarak zengin ülke araştırma literatüründe tutan altyapı olmadan bir arada durduğunun ilk hakemli gösterimi.

Üç çatal birbirinin yerine geçmiyor. Atmosferik modeller bir kente sıcak noktalarının nerede olacağını söyler; toplum kampanyaları bir mahalleye ne yapılacağını söyler; insansız hava aracı ve yapay zekâ iş akışı bir saha ekibine önce hangi su birikintilerinin boşaltılacağını söyler.

Yüzde 31,9'luk bulgu, hane düzeyinde yararlı bir hatırlatmadır: durgun suyun çoğu bir üreme noktası değildir. Kişisel koruma katmanı değişmez: saksı altlıklarını boşaltın, kovaları ters çevirin, su depolama kaplarını örtün, işlenmiş cibinlik altında ya da telli odalarda uyuyun, alacakaranlık ve şafakta açık ciltte kanıtlanmış bir kovucu kullanın.

Yapılması gerekenler

Bir hane veya küçük bir alan için Pangandaran bulgusunun pratik çıkarımı değişmedi: durgun suyun çoğu üreme noktası değildir, yani iş birkaç üreme noktasını bulmaktır.

• Birkaç günden fazla su tutabilen her kabı boşaltın veya ters çevirin (kova, saksı altlığı, branda, eski lastik).
• Evcil hayvan içme kaplarını ve kuş banyolarını en az haftada bir çalkalayın, ovalayın ve yeniden doldurun; larvalar olgunlaşmak için kabaca yedi ila on gün alır.
• Su depolarını ve varilleri sıkı oturan kapaklar veya ince ağ ile örtün.
• Yağmurlama mevsiminden önce çatı oluklarını ve düz çatı drenajlarını temizleyin.
• Bahçedeki alçak noktaları doldurun veya drene edin ve uygulanabilir olduğunda süs havuzlarında balık bulundurun; larva yiyen balıklar Culex ve Anopheles üremesini baskılar.
• Alacakaranlık ve şafakta kanıtlanmış kişisel koruma kullanın: uzun kollu ve uzun pantolon, işlenmiş bir cibinlik veya telli oda, açık ciltte bir kovucu.
• İlçe veya belediye ekipleri için Pangandaran iş akışı, özellikle yağışlı mevsimde, rutin larva kaynağı yönetimine düşük bütçeli insansız hava aracı araştırmaları eklemenin yayımlanmış en güçlü gerekçesidir.

Önümüzdeki on iki ayda izlenecekler

Diğer bölgelerde doğrulama. Pangandaran makalesi, kıyı Endonezyasında tek bir ilçedir. İş akışının Sahel ülkesinde, Güney Amerika kentinde (Aedes aegypti'nin baskın olduğu) ve Pasifik adasında (insan-yaban hayatı arayüzünün aktif sınır olduğu) yeniden çalıştırılması gerekecek. Mimari taşınabilir; eğitim verileri taşınabilir değil.

Açık kaynak boru hattı. Francisco ekibi DeepLabV3+ ve EfficientNetV2 kullandı, ancak model ağırlıkları ve ön işleme kodu henüz kamusal değil. En önemli takip, herhangi bir sağlık bakanlığının indirebileceği önceden eğitilmiş bir modelin kamusal sürümü olur.

Entegrasyon sorusu. En yararlı sonraki makale, Pangandaran iş akışını bir vektör kontrol kararına zincirler: model bir nokta bulur, saha ekibi telefon bildirimi alır, işçi larvaları doğrular, yerel 4T eşdeğeri kampanya 48 saat içinde devreye girer. Uçtan uca bu döngü operasyonel olarak ilginç olan şey. Pangandaran makalesi ilk parçadır.

Bildiklerimiz

• Pangandaran Regentliği, Endonezya'dan 4.400 durağan insansız hava aracı görüntüsü üzerinde eğitilen bir derin öğrenme modeli, durgun su noktalarını renkli görüntülerde 0,86 ve gri tonlu görüntülerde 0,80 ortalama Kesişim Birlik (mIoU) ile tespit etti; havadan görüntülerde su kütlesi segmentasyonu için yayın kalitesinde bir puan. Francisco ve ark., Sci Rep (2026)
• Modelin durgun su olarak işaretlediği 47 noktanın saha doğrulaması, vakaların yüzde 100'ünde su varlığını doğruladı; bu noktaların 15'i (yüzde 31,9) birincil yerel sıtma vektörleri Anopheles vagus ve An. sundaicus dahil sivrisinek larvası barındırıyordu. Francisco ve ark., Sci Rep (2026)
• İş akışı, ortomozaiği üretimini tamamen atlıyor. Her bir insansız hava aracı görüntüsüne gömülü GPS meta verilerini, modelin pozitif tahminlerini haritaya yerleştirmek için kullanıyor, bulutta çalışıyor, özel donanım veya tescilli görüntü birleştirme yazılımı gerektirmiyor. Francisco ve ark., Sci Rep (2026)
• Mimari, EfficientNetV2 omurgalı DeepLabV3+ modelidir. Araştırma, Ehime Üniversitesi, Lurio Üniversitesi, Pangandaran Halk Sağlığı Laboratuvarı (Endonezya Sağlık Bakanlığı), Tokyo Kadın Üniversitesi Tıp Fakültesi ve Universitas Padjadjaran araştırmacıları tarafından yürütüldü. PubMed 42315628
• Çalışma, Japonya Bilimi Teşvik Derneği (JSPS) Ortak Araştırma Projesi hibesi JPJSCCB20240008 ile finanse edildi ve makale Scientific Reports'ta açık erişimle yayımlandı (DOI 10.1038/s41598-026-58240-4). Francisco ve ark., Sci Rep (2026)

Alıntılanan kaynaklar

1. Francisco, Micanaldo Ernesto, Andri Ruliansyah, Firda Yanuar Pradani, Gaku Masuda, Lia Faridah, Kozo Watanabe. "Derin öğrenme, sivrisinek larva habitatını haritalamak için düşük bütçeli insansız hava aracı görüntülerinden su kütlelerini tespit ediyor." Scientific Reports (Nature), 18 Haziran 2026. DOI 10.1038/s41598-026-58240-4. Açık erişim. https://www.nature.com/articles/s41598-026-58240-4
2. Francisco ve ark. (2026), PubMed kaydı, PMID 42315628, 18 Haziran 2026 indeksli. https://pubmed.ncbi.nlm.nih.gov/42315628/
3. Liu, Q., Zhang, S., Liu, M., Liu, J. "108 ülkede sel süresinin dang yüküne etkisi." iScience (Cell Press), eKoleksiyon 19 Haziran 2026 (çevrimiçi 25 Nisan 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. "Atmosferik ve kentsel form bağımlılığıyla Aedes aegypti popülasyonlarının uzaysal ve zamansal tahmini." PNAS 123(25):e2533964123, çevrimiçi yayımlandı 18 Haziran 2026. DOI 10.1073/pnas.2533964123. https://pubmed.ncbi.nlm.nih.gov/42313935/

2026-06-23 tarihinde yayımlandı · Mosticare Editorial