Глибинне навчання виявило, що 31,9% стоячої води в одному індонезійському регентстві містять личинки комарів

Медична бригада в Пангандарані запустила споживчий дрон над одним індонезійським регентством, передала фотографії моделі глибинного навчання і дозволила їй вибрати кожну калюжу з 4400 знімків. Кожне з 47 місць стоячої води, які модель позначила, насправді містило воду в полі. П'ятнадцять з них, 31,9%, містили личинки комарів, включно з двома основними місцевими переносниками малярії. Результат, опублікований цього місяця в Scientific Reports, є найчистішим низьковитратним посібником з картування середовищ існування комарів, який 2026 рік породив, і він працює без супутника, мультиспектрального сенсора чи конвеєра зшивання зображень, які тримали технологію поза межами досяжності районних медичних служб.

Що саме зробила стаття

Лабораторія громадського здоров'я Пангандарану, підрозділ Міністерства охорони здоров'я Індонезії, у партнерстві з дослідниками з Університету Ехіме (Японія), Університету Луріо (Мозамбік), Токійського жіночого медичного університету та Університету Паджанджаран. Вони поставили запитання: чи може модель глибинного навчання знаходити стоячу воду на дешевих, необроблених зображеннях з дронів, і чи може вона пропустити дорогий крок зшивання їх у єдину геоприв'язану карту?

Відповідь, так. Команда запустила споживчі дрони над регентством Пангандаран, прибережним районом на південному краю Яви, і зібрала понад 4400 нерухомих зображень у кольорі та відтінках сірого, кожне з власним GPS-тегом. Команда прогнала їх через модель DeepLabV3+ з основою EfficientNetV2, робочу конячку низьковитратного комп'ютерного зору у 2026 році.

Модель не намагалася зшити фотографії у мозаїку. Вона оцінювала кожне зображення окремо, використовувала метадані GPS для розміщення позитивних передбачень на карті, і пропускала все через хмарний конвеєр. Жодного спеціалізованого обладнання. Жодного пропрієтарного програмного забезпечення для зшивання зображень. Жодного мультиспектрального сенсора.

Що знайшла модель

Якість сегментації, виміряна за середнім Intersection over Union (mIoU), становила 0,86 на кольорових зображеннях і 0,80 на зображеннях у відтінках сірого, обидва, це публікаційного рівня показники для сегментації водойм в аерофотознімках.

Число, яке більше має значення для аудиторії громадського здоров'я, це те, що сталося в полі. Команда відвідала 47 місць, які модель позначила як стоячу воду. Усі 47 містили воду. П'ятнадцять з 47, 31,9%, містили личинки комарів, включно з двома основними місцевими переносниками малярії Anopheles vagus та Anopheles sundaicus, останній з яких, це вид, що розмножується у солонуватій воді і процвітає у прибережних лагунах південної Яви.

Цифра 31,9%, це редакційний пункт. Більшість стоячої води не містить личинок комарів; модель робить те, що зробив би людський інспектор, позначаючи кожну калюжу, канаву і кут рисової ділянки, і дозволяючи наступному проходу відсортувати реальні середовища існування личинок від нерелевантних. Інновація статті, це перший прохід: зробити його дешевим, швидким і масштабованим.

Чому важлива частина "без ортомозаїки"

До цього часу картування середовищ існування за допомогою дронів означало виробництво ортомозаїки, єдиного, високороздільного, геоприв'язаного зображення, зшитого з сотень перекриваючих фотографій. Цей крок вимагає комерційного програмного забезпечення (Pix4D, Agisoft, DroneDeploy, річні ліцензії в нижніх чотирьох цифрах), настільної робочої станції та годин обробки на одне обстеження. Для дослідницької групи в добре фінансованому університеті це рутина. Для районної медичної служби в ендемічному щодо малярії регіоні це було нездійсненним.

Франциско та його колеги пропустили це. Вони використали GPS-координати, вбудовані в кожне зображення, і дозволили хмарі виконати важку роботу.

Три речі, які збігаються у 2026 році

Стаття про Пангандаран з'являється того самого тижня, що й три інші рецензовані результати, які змінюють те, що означає "боротьба з переносниками" для медичної служби з обмеженим бюджетом.

Література з атмосферних та містобудівних форм щойно замкнула давню петлю. Стаття Lugão та колег з Федерального університету Жуїс-де-Фора та Федерального університету Гояса у PNAS від 18 червня моделює популяції Aedes aegypti у бразильських містах з використанням як атмосферних, так і містобудівних коваріат, і виявляє, що міська морфологія є сильнішим драйвером гарячих точок, ніж сама температура. Стаття Liu та колеж в iScience від 19 червня поширює цю логіку на 108 країн, з тривалістю повені як драйвером. Комар, це проблема міського масштабу раніше, ніж проблема погодного масштабу.

Література з громадської профілактики породила свою найчистішу точку даних. Міністерство охорони здоров'я Філіппін повідомило про 50 727 випадків гарячки денге за перші п'ять місяців 2026 року, зниження на 56% порівняно з 2025 роком, і віднесло це на рахунок кампанії "4Ts": Taob, Taktak, Tuyo, Takip (спорожнити та перевернути контейнери, витрусити воду, тримати оточення сухим, накрити контейнери з водою). 4Ts працюють, але лише тоді, коли громада знає, де розташовані місця розмноження. Стаття про Пангандаран, це відсутня висхідна ланка.

Література зі ШІ та зображень щойно породила свій перший польовий валідований низьковитратний робочий процес для картування середовищ існування личинок. Стаття про Пангандаран, це перша рецензована демонстрація того, що робочий процес тримається разом в ендемічному щодо малярії регіоні, з місцевою бригадою боротьби з переносниками в полі, і без інфраструктури, яка історично утримувала технологію в дослідницькій літературі багатого світу.

Три напрямки не замінюють один одного. Атмосферні моделі кажуть місту, де будуть його гарячі точки; громадські кампанії кажуть околиці, що робити; робочий процес з дроном та ШІ каже польовій бригаді, які калюжі спорожнювати першими.

Висновок 31,9%, це корисне нагадування на побутовому рівні: більшість стоячої води не є місцем розмноження. Шар особистого захисту не змінюється: спорожнити підставки під горщики, перевернути відра, накрити контейнери для зберігання води, спати під обробленими сітками або в захищених кімнатах і використовувати перевірений репелент на відкритих ділянках шкіри у сутінках і на світанку.

Що робити

Для домогосподарства або малої ділянки практичний висновок з відкриття Пангандарану незмінний: більшість стоячої води не є місцем розмноження, тому робота полягає у пошуку тих небагатьох, що є.

• Спорожніть або переверніть будь-який контейнер, який може тримати воду більше кількох днів (відра, підставки під рослини, тенти, старі шини).
• Висипайте, витріть і наповніть заново миски для тварин і ванночки для птахів щонайменше раз на тиждень; личинкам потрібно приблизно сім-десять днів, щоб дозріти.
• Накривайте баки для зберігання води щільними кришками або дрібною сіткою.
• Прочищайте ринви даху та дренажі пласких дахів перед сезоном дощів.
• Заповніть або осушіть низькі місця в саду і тримайте рибу в декоративних ставках, де це можливо; личинкоїдні риби пригнічують розмноження Culex та Anopheles.
• Використовуйте перевірений особистий захист у сутінках і на світанку: довгі рукави та штани, оброблену сітку або захищену кімнату і репелент на відкритих ділянках шкіри.
• Для районних або муніципальних бригад робочий процес Пангандарану нині є найпереконливішим опублікованим аргументом за додавання низьковитратних дронових обстежень до рутинного управління джерелами личинок, особливо під час сезону дощів.

На що звернути увагу протягом наступних дванадцяти місяців

Валідація в інших регіонах. Стаття про Пангандаран стосується одного району в прибережній Індонезії. Робочий процес потрібно буде перезапустити в сахельській країні, південноамериканському місті (де домінує Aedes aegypti) та на тихоокеанському острові (де інтерфейс між людиною та дикою природою є активним фронтом). Архітектура портативна; навчальні дані, ні.

Конвеєр з відкритим кодом. Команда Франциско використала DeepLabV3+ та EfficientNetV2, але ваги моделі та код попередньої обробки ще не є публічними. Найважливішим наступним кроком було б публічне вивільнення попередньо натренованої моделі, яку може завантажити будь-який департамент охорони здоров'я.

Питання інтеграції. Найкорисніша наступна стаття поєднує робочий процес Пангандарану з рішенням щодо боротьби з переносниками: модель знаходить місце, польова бригада отримує сповіщення на телефон, працівник підтверджує личинки, місцевий еквівалент кампанії 4Ts розгортається протягом 48 годин. Цей наскрізний цикл, це операційно цікава річ. Стаття про Пангандаран, це перша частина.

Що ми знаємо

• Модель глибинного навчання, натренована на 4400 нерухомих зображеннях з дронів регентства Пангандаран в Індонезії, ідентифікувала місця стоячої води із середнім Intersection over Union (mIoU) 0,86 на кольорових зображеннях і 0,80 на зображеннях у відтінках сірого, що є публікаційного рівня показником для сегментації водойм в аерофотознімках. Francisco et al., Sci Rep (2026)
• Польова валідація 47 місць, які модель позначила як стоячу воду, підтвердила наявність води у 100% випадків; 15 з цих місць (31,9%) містили личинки комарів, включно з основними місцевими переносниками малярії Anopheles vagus та An. sundaicus. Francisco et al., Sci Rep (2026)
• Робочий процес повністю обходить створення ортомозаїки. Він використовує метадані GPS, вбудовані в кожне окреме зображення з дрона, для розміщення позитивних передбачень моделі на карті, працює в хмарі і не вимагає спеціалізованого обладнання чи пропрієтарного програмного забезпечення для зшивання зображень. Francisco et al., Sci Rep (2026)
• Архітектура, це DeepLabV3+ з основою EfficientNetV2. Дослідження очолили науковці з Університету Ехіме, Університету Луріо, Лабораторії громадського здоров'я Пангандарану (Міністерство охорони здоров'я Індонезії), Токійського жіночого медичного університету та Університету Паджанджаран. PubMed 42315628
• Робота була профінансована грантом Спільного дослідницького проєкту Японського товариства сприяння науці (JSPS) JPJSCCB20240008, а стаття опублікована у відкритому доступі в Scientific Reports (DOI 10.1038/s41598-026-58240-4). Francisco et al., Sci Rep (2026)

Цитовані джерела

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 June 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, indexed 18 June 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 June 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, published online 18 June 2026. DOI 10.1073/pnas.2533964123. https://pubmed.ncbi.nlm.nih.gov/42313935/