Braziliaanse onderzoekers hebben met behulp van kunstmatige-intelligentietools een computerprogramma ontwikkeld dat op luchtbeelden watertanks op daken of platen en zwembaden in open gebieden kan identificeren. Het voorstel is om dit type afbeelding te gebruiken als indicator voor gebieden die bijzonder kwetsbaar zijn voor muggenplagen. Aedes aegypti die ziekten zoals dengue, zika en chikungunya overdraagt.
Bovendien komt de strategie naar voren als een potentieel alternatief voor het dynamisch in kaart brengen van steden op sociaal-economisch gebied – een aanwinst voor ander overheidsbeleid.
Het onderzoek, ondersteund door FAPESP, werd uitgevoerd door professionals van de Universiteit van São Paulo (USP), de Federale Universiteit van Minas Gerais (UFMG) en de Superintendence for Control of Endemic Diseases (Sucen) van de São Paulo State Health Department. De resultaten zijn gepubliceerd in het tijdschrift PLOS EEN.
“Wat we op dit eerste moment deden, was een model maken dat gebaseerd is op luchtfoto’s en computerwetenschap om watertanks en zwembaden te detecteren en ze te gebruiken als sociaaleconomische indicator”, zegt ingenieur Francisco Chiaravalloti Neto, professor van de afdeling Epidemiologie, Faculteit Volksgezondheid, USP.
In het gepubliceerde artikel wijzen hij en zijn collega’s erop dat uit eerdere onderzoeken al bleek dat arme wijken van gemeenten vaak meer vatbaar zijn voor dengue. Dat wil zeggen, het gebruik van een relatief dynamisch sociaal-economisch model voor het bijwerken van de status, vooral in vergelijking met de 10-jarige telling en onderhevig aan vertragingen, zou helpen bij het prioriteren van de preventie-inspanningen van dengue, zika en chikungunya.
“Dit is een van de eerste stappen van een breder project”, benadrukt Chiaravalloti Neto. De groep wil onder meer andere elementen opnemen die in de beelden moeten worden gedetecteerd en de werkelijke besmettingspercentages van de Aedes aegypti in een bepaalde regio om het model te verfijnen en te valideren.
“We hopen een stroomschema te creëren dat in verschillende steden kan worden toegepast om risicogebieden te vinden zonder dat er huisbezoeken nodig zijn, een praktijk die veel tijd en publiek geld kost”, zegt Chiaravalloti Neto.
machine learning
In een eerder onderzoek had de groep al kunstmatige intelligentie gebruikt om watertanks en zwembaden in Belo Horizonte (MG) te identificeren. De onderzoekers begonnen met het presenteren van deze satellietbeelden van de mijnstad aan een computeralgoritme en aan te geven welke deze faciliteiten hadden.
Door een proces van diep leren (of deep learning), begon het programma patronen in de afbeeldingen te identificeren die de aanwezigheid van een zwembad of watertank aangaven. Na verloop van tijd was het systeem in staat om deze structuren zelfstandig op de foto’s te onderscheiden.
“Het is echt een machine learning-proces, een deelgebied van kunstmatige intelligentie”, legt Jefersson Alex dos Santos uit, professor aan de afdeling Computerwetenschappen van de UFMG en oprichter van het Laboratory for Recognition and Patterns of Earth Observation.
Voor het huidige onderzoek hebben professionals vier regio’s van Campinas afgebakend die worden gekenmerkt door verschillende sociaaleconomische contexten, volgens het Braziliaanse Instituut voor Geografie en Statistiek (IBGE). Een drone met een hoge resolutie camera vloog over deze gebieden en maakte een serie foto’s. Zo werd er een database gemaakt voor watertanks en een andere voor zwembaden.
De volgende stap was het uitvoeren van de overdracht van leertechniek. “Dat model hebben we in Belo Horizonte getraind en toegepast in Campinas”, legt Santos uit. Met de beelden verkregen in de stad São Paulo werden de modellen betrouwbaarder voor de regio, met een nauwkeurigheid van 90,23% voor de detectie van zwembaden en 87,53% voor de detectie van blootgestelde watertanks.
Sociaal-economische indicator
Met het algoritme goed getraind, gebruikten de onderzoekers andere afbeeldingen om de concentratie van blootgestelde watertanks en zwembaden in die vier eerder geselecteerde regio’s van Campinas te berekenen. Bij het kruisen van deze informatie met BIM-gegevens viel op dat de sociaaleconomische indexen lager waren in gebieden met een grotere concentratie van watertanks en hoger waar meer zwembaden waren.
Omdat minder gestructureerde regio’s vatbaarder zijn voor besmetting van de Aedes aegypti, zou dit model al helpen in de strijd tegen de ziekten die erdoor worden verspreid. “Hoewel het nog niet de definitieve methodiek is, kunnen we nu al denken aan een praktische en relatief eenvoudige inzet van het ontwikkelen van software voor grootschalig gebruik, met als doel buurten met een groter risico op dengue-uitbraak in kaart te brengen”, benadrukt Santos.
Chiaravalloti Neto wijst erop dat de gemaakte modellen nuttig kunnen zijn buiten de controle van dengue, zika en chikungunya: “De sociaaleconomische indexen van verschillende delen van Brazilië worden om de tien jaar bijgewerkt, met de volkstelling. op een meer flexibele manier, wat kan worden gebruikt om verschillende ziekten en problemen het hoofd te bieden”.
Volgens hem kan toekomstig werk andere markeringen van luchtfoto’s vinden en dus deze algoritmen verfijnen om een nog grotere betrouwbaarheid te garanderen.
Drone of satelliet?
Hoewel de luchtfoto’s van Campinas met een drone zijn gemaakt, is de verwachting dat de in dit onderzoek geteste strategie in de toekomst alleen nog gebruik zal maken van satellietbeelden. “We hebben een drone gebruikt omdat het een studie was, maar scannen met deze apparatuur is duur”, analyseert Chiaravalloti Neto.
“Ze hebben ook minder autonomie. Om een grootschalig project uit te voeren, waar ook grote steden bij betrokken zijn, hebben we satellietbeelden nodig”, vult Santos aan.
In het onderzoek in Belo Horizonte is met succes gebruik gemaakt van satellietbeelden – ze hebben een hoge resolutie nodig om de computer de patronen te laten herkennen. Volgens Santos breidt de toegang tot dit type beeld zich gelukkig uit.
Hoewel dit type methodologie duur lijkt, levert het potentiële besparingen op door de noodzaak van persoonlijke bezoeken om, huis voor huis, gebieden die vatbaar zijn voor dengue in kaart te brengen, overbodig te maken. In plaats daarvan zouden gezondheidsagenten profiteren van informatie die op afstand is verkregen – en verwerkt met kunstmatige intelligentie – om met meer assertiviteit naar prioritaire locaties te gaan.
Volgende stappen
Het huidige model kan watertanks detecteren, maar niet als ze goed zijn afgesloten. Iets soortgelijks geldt voor zwembaden: hij identificeert ze, maar weet niet of ze goed onderhouden of gesloten zijn. “Deze methodologie zou kunnen worden verfijnd om goed onderhouden structuren te onderscheiden van die welke daadwerkelijk als broedplaatsen voor muggen zouden dienen”, zegt Chiaravalloti Neto.
Het beschuldigen van deze patronen en andere structuren die verband houden met een grotere muggenplaag zou het algoritme nog betrouwbaarder maken voor het definiëren van volksgezondheidsmaatregelen.
Op dit moment installeren onderzoekers een reeks vallen voor de Aedes aegypti in ongeveer 200 blokken Campinas en in detail evalueren van de omstandigheden van de eigenschappen en de aanwezigheid van verschillende broedplaatsen voor muggen. Ook sociaal-economische indicatoren zullen worden onderzocht.
De volgende stap zal zijn om luchtfoto’s van deze regio’s te evalueren met dezelfde logica die in het bovengenoemde onderzoek is gebruikt om de mate van risico voor de aanwezigheid van de Aedes aegypti en de ziekten die daardoor worden overgedragen.
“Door deze blokken te observeren, willen we een model bouwen voor het prioriteren van denguecontrole voor de hele stad en, later, voor de rest van Brazilië”, besluit Chiaravalloti Neto.
Naast financiering van FAPESP hadden de onderzoekers middelen van het Serrapilheira Institute, de National Council for Scientific and Technological Development (CNPq), de Dean of Research bij USP en de Minas Gerais Research Support Foundation (Fapemig). Sucen zorgde ook voor structurele ondersteuning.
De betrokken auteurs zijn: Higor Souza Cunha, Brenda Santana Sclauser, Pedro Fonseca Wildemberg, Eduardo Augusto Militão Fernandes, Jefersson Alex dos Santos, Mariana de Oliveira Lage, Camila Lorenz, Gerson Laurindo Barbosa, José Alberto Quintanilha en Francisco Chiaravalloti-Neto.
Het artikel Watertank- en zwembaddetectie op basis van remote sensing en deep learning: relatie met sociaaleconomisch niveau en toepassingen in denguebestrijding is te vinden op: https://journals.plos.org/plosone/article/authors?id=10.1371/journal.pone.0258681.
*Deze tekst is oorspronkelijk gepubliceerd door Agência FAPESP onder de Creative Commons CC-BY-NC-ND-licentie.