深度学习可通过低成本无人机图像识别水体，用于蚊子幼虫栖息地测绘

《Scientific Reports》：Deep learning identifies water bodies from low-cost drone images for mosquito larval habitat mapping

　　

摘要

控制蚊虫幼虫的滋生源仍是防治疟疾的关键策略，但传统的滋生地测绘方法既费力又缓慢。虽然无人机有望成为有效的工具，但其应用往往受到高昂的正射影像生成成本（将无人机拍摄的图像拼接成精确的地理参考地图）以及多光谱传感器的限制，这给资源有限的卫生项目带来了巨大障碍。本研究采用深度学习方法开发了一种替代性的工作流程用于水体分割。我们利用DeepLabV3＋架构并结合EfficientNetV2作为核心模型，处理静态的RGB和灰度无人机图像，通过GPS元数据直接为每张图像添加地理参考信息，从而无需生成正射影像。该模型在印度尼西亚庞甘达兰县的4,400多张图像数据集上进行了训练和测试，性能通过交并比指标进行评估。预测结果还通过实地考察得到验证，以确认是否存在水域及幼虫数量。该模型在RGB图像上的平均交并比为0.86，在灰度图像上的平均交并比为0.80，即便在光谱信息极为有限的情况下也能保持良好的性能。对47个预测地点的实地验证显示，所有地点都存在水域（水域存在率100%），其中31.9%的地点存在蚊虫幼虫，其中包括当地的主要传播媒介Anopheles vagus和An. sundaicus。从基于云端的处理到实地定位，整个工作流程无需专门的硬件或软件即可完成。我们的研究结果表明，通过对静态无人机图像进行深度学习分析，可以提供一种可扩展、成本较低且效率较高的替代方案，用于替代依赖多光谱技术和正射影像的方法来绘制蚊虫幼虫栖息地图。这种方法让先进的监测技术更易于普及，大幅缩短了数据收集与采取干预措施之间的时间间隔，对于提升疟疾流行地区的病媒控制效率具有巨大潜力。