NAIÁ

Apresentação de Pitch também pode ser vista pelo link: https://www.youtube.com/watch?v=smbYhlXR3lc (Ela possui legendas em espanhol)
E Também visualizar nossa apresentação em slides por aqui: link

O Problema

A Dengue representa uma crise de saúde contínua no Brasil e em toda a América Latina.
O principal agente transmissor da dengue é o mosquito Aedes aegypti, que também espalha doenças como Zika, Chikungunya e Febre Amarela.

Em 2025, somente no Brasil, já foram registrados mais de 1.544.496 casos prováveis e 1.505 mortes confirmadas [10]. Enquanto isso, em outros países; Colômbia 85.188 casos; México: 51.440 casos; Argentina: 16.736 casos; Peru 34.657 casos [7].

Na região das Américas, dados da Opas apontam que cerca de 500 milhões de pessoas correm o risco de contrair dengue [11]. 

Um dos efeitos do aquecimento global é o aumento na temperatura, nas chuvas e na umidade, o que cria condições para que os mosquitos que transmitem arboviroses prosperem mais rápidos e em novos locais, além dos países com clima tropical ou subtropical. 

Apesar da doença e poliferação do mosquito ser mais acentuada nas na America Latina, temos casos registrados em mais de 130 paises [12]. Figura 1: Países/territórios/áreas que notificaram casos autóctones de dengue (novembro de 2022 a novembro de 2023)

O modelo prevenção geralmente é reativo, cobrindo bairros inteiros com base em casos já notificados. Isso significa que a intervenção acontece depois que o surto começou, desperdiçando tempo, dinheiro e recursos valiosos em áreas de baixo risco, enquanto os verdadeiros "hotspots" de proliferação do mosquito permanecem ocultos.

Sabendo de todo esse problema, apresentamos: 

O Nosso Projeto: NAIÁ

A nossa solução combina dados de satélite Copernicus com I.A gerando um mapa dinâmico que oferece um "Score de Risco Vetorial" para cada setor da cidade.

Em vez de perguntar "Onde os casos aconteceram?", nós respondemos à pergunta: "Onde as condições para a proliferação do mosquito estão perfeitas neste exato momento?"

Nossa plataforma não prevê o futuro, ela revela o presente de forma inteligente, transformando dados complexos em decisões simples e eficazes.

1. Dados Geoespaciais Copernicus: Utilizamos um conjunto de dados de satélite para monitorar as condições ambientais que favorecem o ciclo de vida do Aedes aegypti.

• Umidade e Água Parada: O Sentinel-1, equipado com radar de abertura sintética (SAR) em banda C, opera independentemente das condições meteorológicas e de iluminação, sendo ideal para o mapeamento de áreas urbanas e identificação de alterações na superfície terrestre, como alagamentos e variações de umidade do solo. Essas variáveis são relevantes, uma vez que áreas com acúmulo de água tendem a favorecer criadouros do mosquito. Além disso, acapacidade do SAR de penetrar parcialmente na vegetação e sua sensibilidade à rugosidade superficial permitem inferir sobre mudanças na cobertura e uso do solo relacionadas a práticas antrópicas que possam contribuir para o risco ambiental.

• Vegetação e Sombra: O Sentinel-2 possui sensores multiespectrais de alta resolução (10 a 60 metros), cobrindo 13 bandas no visível, NIR e SWIR. Esses dados permitem o cálculo de índices espectrais como o NDVI, que distingue vegetação de superfícies impermeáveis, e o NDWI, que auxilia na detecção de corpos d’água. Mapear áreas com pouca vegetação e alta densidade urbana ajuda a identificar regiões vulneráveis à proliferação do vetor, especialmente onde há falta de saneamento básico

• Temperatura da Superfície: O Sentinel-3 complementa a análise ao fornecer dados sobre a temperatura da superfície terrestre por meio dos sensores SLSTR e SRAL. A temperatura é um fator determinante para o desenvolvimento do Aedes aegypti, acelerando seu ciclo de vida em ambientes mais quentes. A detecção de ilhas de calor urbanas, combinada com dados de umidade e cobertura do solo, permite delimitar zonas com maior risco epidemiológico.

2.    Base de dados Regionais: Dados epidemiológicos locais, integrado com os dados de satélites auxiliam na classificação de regiões mais propensas

3.    Inteligência Artificial (IA): Um modelo de Machine Learning treinado para analisar a combinação dessas variáveis. O modelo pode correlacionar padrões ambientais específicos com a alta probabilidade de existência de focos do vetor, gerando o "Score de Risco" para cada área.

• Além disso um sistema de detecção de possíveis Pontos de Riscos Epidemiológico usando visão computacional, é uma ótima ferramenta para auxiliar o Serviço Público.
  Figura2

• Produtos: Plataforma web em nuvem e API para integração com sistemas governamentais

PESQUISA e TECNOLOGIA

O monitoramento da superfície frente a proliferação da dengue é fundamental para entender como as condições ambientais contribuem para a proliferação do mosquito Aedes aegypti e, consequentemente, o aumento dos casos da doença. Um dos aspectos mais relevantes nesse contexto é a formação de ilhas de calor urbano associado a umidade, que contribuem para a criação do aedes aegypti. Este fenômeno acaba se tornando uma realidade no contexto urbano mundial e, quando associado a aspectos urbanísticos como o excesso de áreas asfaltadas, concreto e escassez de vegetação, que eleva as temperaturas locais e favorece o ciclo de vida do vetor. Temperaturas mais altas aceleram o desenvolvimento das larvas e aumentam a frequência de picadas, tornando as regiões mais quentes especialmente vulneráveis à disseminação do vírus da dengue.

Além disso, outro fator crucial é o acúmulo de água na superfície, que serve como criadouro ideal para o mosquito. Poças, caixas d’água mal vedadas, calhas entupidas, pneus descartados, piscinas abandonadas e outros recipientes que retêm água da chuva são locais perfeitos para a reprodução do Aedes aegypti. Em áreas urbanas densas e mal planejadas, a drenagem deficiente e a impermeabilização do solo agravam esse problema. Assim, torna-se extremamente importante o aprimoramento do monitoramento da superfície, permitindo identificar e mapear essas áreas críticas, facilitando ações como limpeza, drenagem e educação da população sobre a eliminação de criadouros. Essa iniciativa contribui para evitar a proliferação do mosquito e consequente redução dos casos de dengue, somado a eficiência frente a problemática da proliferação. 

Do ponto de vista técnico, o uso dos (mencionar satélites/IA) possibilita a detecção de áreas com maior acúmulo de água. Associado a dados meteorológicos e epidemiológicos, esse monitoramento ajuda a prever surtos e a direcionar recursos de forma estratégica. Portanto, o monitoramento da superfície não apenas identifica os fatores de risco, mas também potencializa a prevenção e o controle eficaz da dengue.

Durante o desenvolvimento desse hackathon, encontramos diversos estudos correlacionando dados de locais e de sensoriamento remoto que ajudam a encontrar padrões para a detecção de dengue. Por exemplo um estudo analisado na Thailandia concluiu que Áreas com alta densidade humana e cultivo de arroz são mais propensas à proliferação do mosquito, aumentando o risco de transmissão da dengue [13], densidade urbana são dados que obtemos facilmente com Copernicus.

Metodologia de Fusão de Dados Multi-Fonte

Encontramos vários métodos para integrar dados Copernicus com IA, e uma das metodologias que fazemos a proposta é nossa abordagem que utiliza a fusão de dados de múltiplas fontes (Fused Multi-Source Remote Sensing Data) do programa Copernicus, combinando dados de diferentes sensores para formar uma matriz integrada de informações ambientais 
Figure5: An illustration of DL in multimodal RS data fusion [14]

Inteligência Artificial: Random Forest e Transfer Learning

Random Forest: Baseando-nos no estudo de Rahman et al. (2021) na Tailândia, adotamos o algoritmo Random Forest como método principal. Que apresentou para predição de abundância de Aedes aegypti quando comparado a outros algoritmos. O Random Forest é especialmente adequado por sua robustez a dados ruidosos de sensoriamento remoto e capacidade de identificar a importância relativa de cada variável ambiental.
Figure4: Fluxograma representando o metodo Random Florest

Transfer Learning: Implementamos técnicas de Transfer Learning, amplamente utilizadas em sensoriamento remoto, que permitem adaptar modelos pré-treinados para diferentes contextos geográficos e tipos de vetores. Isso possibilita a rápida expansão da solução para novas regiões endêmicas sem necessidade de retreinamento completo. Como por exemplo a detecção automática de criadouros, como piscinas abandonadas, implementamos o modelo de visão computacional YOLOv8 no prototipo 

Além disso, o Transfer Learning será explorado para escalar o NAIÁ para novos contextos geográficos (e.g., Sudeste Asiático, África Subsaariana) e vetores (e.g., Anopheles para malária). Embora o Random Forest seja a base atual, planejamos incorporar modelos de deep learning no futuro, inspirados em estudos como [14], que demonstram a eficácia da fusão de dados multimodais com redes neurais. 

O Random Forest gera scores de risco amplos por setor censitário, enquanto o YOLOv8 identifica pontos específicos de criadouros, como piscinas com água parada. Essa integração permite uma abordagem hierárquica: primeiro, priorizamos áreas de alto risco com o score; depois, refinamos as ações com detecção visual. 

Ferramentas Complementares

Além da parte de software que abordamos no projeto, é fundamental destacar o papel das ferramentas complementares, especialmente o uso de drones para melhorar a qualidade e a resolução das capturas em áreas urbanas críticas.

Drones equipados com sensores multiespectrais vêm sendo amplamente empregados em programas operacionais da Copernicus e pesquisas científicas como complemento essencial às imagens de satélite. No contexto da dengue, esses drones são capazes de detectar depósitos de lixo irregular, entulhos e lixo nos córregos que servem como criadouros para Aedes aegypti, os sensores multiespectrais embarcados em UAVs alcançam resoluções espaciais da ordem de < 10 cm por pixel, permitindo visualizar objetos pequenos, como garrafas, pneus, sacolas ou lixo acumulado em córregos e terrenosbaldios.

           Tais sensores multiespectrais geralmente capturam bandas no visível (RGB), infravermelho próximo (NIR) e red‑edge, ampliando a capacidade de identificar vegetação, umidade e corpos d’água. Algumas configurações também incluem bandas térmicas, embora sejam menos comuns. A elevada resolução espectral e espacial permite gerar índices como NDVI e NDWI diretamente sobre áreas urbanas ou periurbanas, ajudando a detectar zonas propícias à proliferação do vetor, como depósitos de lixo com água estagnada ou vegetação próxima ao solo que retém umidade. E como citado anteriormente nosso modelo proposto é capaz de correlacionar tais dados

           Além disso, técnicas como a fotogrametria e o uso de sensores LiDAR ou estrutura-from-motion (SfM) possibilitam gerar ortomosaicos georreferenciados e nuvens de pontos tridimensionais, mapeando com alta precisão elementos como topografia local, resíduos em córregos e áreas de acúmulo de água. Esses dados, com precisão centimétrica, servem como referência de campo para treinar modelos de IA, aprimorando sua capacidade de identificar áreas de risco invisíveis aos satélites. A própria Copernicus, por meio do serviço CEMS, já documenta o uso de drones em operações de emergência com esse nível de detalhamento.

Com tudo o que foi descrito, fica claro o poder de escalabilidade do nosso projeto e seu potencial de prospecção.

PROTOTIPOS

Esse é o video de Apresentação do nosso Prototipo (esse video não é nosso pitch)



O NAIÁ é um protótipo funcional desenvolvido para o Copernicus Hackathon Panamá LAC 2025 que revoluciona o monitoramento de doenças transmitidas por mosquitos como dengue. 

Por conta tempo do hackathon o score de risco atual usa uma combinação linear de variáveis ambientais

Visitem nossa pagina no github, lá possui todas as informações de implementação usadas nesse hackathon: Clique Aqui

Fluxograma do Prototipo NAIÁ:

Figure3: Fluxograma da pipeline do Prototipo NAIA (para uma vizualização melhor clique aqui)

• Pipeline:

  1. Pré-processamento: Dados de Sentinel-1 (SAR para detecção de água), Sentinel-2 (NDVI para vegetação), e ERA5-Land (temperatura, precipitação), análise da area de estudo em busca de Focos de dengue usando visão computacional

  2. Processamento: os dados gerados no pré-processamento, são agregados por setor censitário usando geopandas, rasterio e outras ferramentas.

  3. Refinamento: Com dados tratados geramos os  scores de risco normalizados [0,1], classificados em baixo, médio e alto.

  4. Saida para Usuario: Com os Scores calculados geramos um mapa dinamico, com representação visual dos dados

Impacto

A implementação do NAIA gera um impacto mensurável e profundo:

Mercado e Escalabilidade

Público-Alvo: Agentes de endemias, ONGs como Médicos Sem Fronteiras, pesquisadores em saúde pública na América Latina, Orgãos publicos de Saude.

Oportunidade Econômica:  Mercado de controle de vetores em 2024 foram avaliados em US$ 23.22 bi em 2024, projetado para US$ 39,57 bi até 2033 [9].
Somente o Brasil entre o periodo sazonal 2024/2025 ja investiu R$ 1,5 bilhão no controle da Dengue [8].

Expansão Geográfica:  Adaptação para regiões tropicais/subtropicais (ex.: Sudeste Asiático, África Subsaariana) com dados Copernicus e IA. Por exemplo: região endemica da doença é a Tailandia . 

Escalabilidade Tecnológica: Infraestrutura baseada em nuvem permite escalar rapidamente para novas cidades e países, sem necessidade de instalação local. 

Flexibilidade de Uso:  IA treinável para diferentes tipos de vetor e contexto urbano/rural. Exemplo ajuste para  mosquitos como Anopheles (malária) e Culex (encefalite). 

Parcerias Estratégicas :  Colaboração com a Organização Pan-Americana da Saúde (PAHO) para integrar dados regionais e ampliar alcance.

Sistema de Negocios: NAIÁ

Para uma visualização melhor, clique aqui

Quem somos

• Somos uma equipe multidisciplinar e comprometida com a saúde das comunidades vulneráveis, unindo forças para desenvolver tecnologias inovadoras que previnam surtos de dengue. Nosso grupo integra expertise em computação, geologia, geografia e química tecnológica, permitindo uma abordagem Interdisciplinar para transformar dados em ações que salvam vidas.
  
  
• Gabriel Lorhan R. Dourado: Estudante de Quimica Tecnologica
• Ana Beatriz Hidalgo: Estudante de Ciencia da Computação
• Lucas Reis Pereira: Estudante de Geografia
• Samuel Davi G. Nalli: Estudante de Geologia
  
  Todos alunos cursando graduação na Universidade Estadual de Campinas

REFERENCIAS: 

1. 1https://www.who.int/emergencies/disease-outbreak-news/item/2024-DON518

2. https://www.who.int/emergencies/disease-outbreak-news/item/2023-DON448

3. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4691773

4. https://pmc.ncbi.nlm.nih.gov/articles/PMC6386068/

5. https://www.gov.br/saude/pt-br/assuntos/saude-de-a-a-z/a/aedes-aegypti/monitoramento-das-arboviroses

6. https://bvsms.saude.gov.br/opas-emite-alerta-para-risco-de-surtos-de-dengue-3-nas-americas/#:~:text=Em%202024%2C%20as%20Am%C3%A9ricas%20reportaram,8.186%20mortes%20associadas%20%C3%A0%20doen%C3%A7a.

7. [7] https://www.paho.org/sites/default/files/2025-07/2025-cde-dengue-sitrep-americas-epi-week-26-jul.pdf

8. [8] -  25/07/2025: https://www.gov.br/saude/pt-br/assuntos/noticias/2024/novembro/investimentos-no-controle-da-dengue-somam-r-1-5-bilhao-para-o-periodo-sazonal. 

9. [9] https://straitsresearch.com/report/vector-control-market

10. [10]Dados de casos no Brasil consultado em 25/07/2025 fonte: https://www.gov.br/saude/pt-br/assuntos/saude-de-a-a-z/a/aedes-aegypti/monitoramento-das-arboviroses


11. [11] https://www.gov.br/saude/pt-br/assuntos/noticias/2024/outubro/entenda-a-relacao-das-mudancas-climaticas-com-o-aumento-da-dengue-em-todo-o-mundo

12. [12]https://www.who.int/emergencies/disease-outbreak-news/item/2023-DON498

13. [13] Mapping the spatial distribution of the dengue vector Aedes aegypti and predicting its abundance in northeastern Thailand using machine-learning approach: https://www.sciencedirect.com/science/article/pii/S2352771421001488

14. [14] Deep learning in multimodal remote sensing data fusion: A comprehensive review https://www.sciencedirect.com/science/article/pii/S1569843222001248

15. Figura 3 utiliza um mockup do site: https://www.freepik.com/free-psd/macbook-mockup_222040918.htm#fromView=search&page=1&position=5&uuid=2fe9d9cd-515b-4e5d-b58f-55dc49aa1418&query=Screen+Mockups">Image by originalmockup on Freepik e https://mockupbro.com/

16. Figura4: https://medium.com/@faitus.jeline/random-forest-algorithm-ea3e1ae116b1

17. Figura: Logo do github https://students.cs.ucl.ac.uk/2016/group33/tools.html