AI в откриването на археологически обекти
AI сканира сателитни изображения, въздушни снимки и лазерно сканиран терен, за да открие заровени или скрити археологически обекти, които хората-геодезисти биха пропуснали.
Преглед
It dramatically speeds up the search across landscapes too vast to walk on foot.
Дълбоко гмуркане
Археолозите все повече използват машинно обучение, за да откриват обекти, без първо да копаят. Конволюционните невронни мрежи се обучават върху обозначени примери на известни характеристики (могили, древни пътища, полеви системи, основи на сгради) и след това сканират огромни области от изображения за подобни модели. Ключов източник на данни е LiDAR, който изстрелва лазерни импулси от самолети или дронове и измерва връщането им, за да изгради прецизен 3D модел на земята. Тъй като лазерът прониква в празнини в растителността, LiDAR може да разкрие земни работи, скрити под гъст горски покрив. AI помогна да се картографират хиляди структури на маите под гватемалската джунгла и елементи от римската епоха в цяла Великобритания. Мултиспектралните и термичните изображения добавят допълнителни улики, тъй като заровените стени и канавки променят начина, по който почвата задържа влагата и топлината.
Техническа информация
Облаците от точки LiDAR се преобразуват в цифрови модели на релефа, след което се подобряват с визуализации като модели на хълмове, наклон и местни релефни модели, които преувеличават фините неравности и вдлъбнатини. CNN, обучен на тези обработени изображения, научава геометричните сигнатури на създадени от човека елементи спрямо естествения терен. От решаващо значение е, че моделите маркират кандидати за експерти, които да проверят на място, тъй като растителността, геологията и съвременните смущения произвеждат много фалшиви положителни резултати.
Стратегическо въздействие
Build choices
Дизайнът на ниво приложение определя дали AI подобрява реалните резултати.
Team and workflow
Добрата интеграция на работния процес създава печалби в производителността, на които потребителите могат да се доверят.
Risk and safety
Добре обхванатите случаи на употреба намаляват умората от промяна и риска от внедряване.
Бъдещето на AI в откриването на археологически обекти
Очаквайте по-широко използване на свободно достъпни глобални сателитни данни, което позволява на изследователите в слабо изследваните региони да откриват сайтове в континентален мащаб. Самоконтролираното обучение ще намали нуждата от големи етикетирани набори от данни, хронично затруднение в археологията. По-доброто сливане на LiDAR, радар и исторически карти трябва да намали фалшивите аларми. Има също така нарастващи усилия за използване на инструменти за откриване за наблюдение на грабежи и защита на обекти, застрашени от изменението на климата, развитието и конфликтите.
Внедряване в реалния свят
Проучването PACUNAM LiDAR използва въздушно лазерно сканиране, за да разкрие повече от 60 000 неизвестни досега структури на маите, скрити под тропическите гори на Гватемала.
Изследователите обучиха невронни мрежи на данни от LiDAR, за да картографират автоматично праисторически могили и келтски полеви системи в части от Холандия и Великобритания.
Анализът на сателитни изображения помогна на екипа на Сара Паркак да идентифицира потенциални заровени гробници, селища и пирамиди в Египет, подход, популяризиран като „космическа археология“.
Машинното обучение на сателитни времеви серии е използвано за откриване и проследяване на грабежни ями в обекти в Сирия и Ирак по време на периоди на конфликт.
Рискове и предпазни огради
Автоматизирането на счупен процес може да засили съществуващите проблеми.
Екипите могат да автоматизират прекалено и да премахнат необходимата човешка преценка.
Качеството може да се промени, ако резултатите не се оценяват непрекъснато.
Пътна карта за изпълнение
Картирайте текущия работен процес и идентифицирайте стъпката с най-голямо триене.
Определете човешки контролни точки преди пълна автоматизация.
Обучете потребителите на подкани, пътища за ескалация и стандарти за качество.
Проследявайте резултатите на ниво задача, за да потвърдите устойчива стойност.
Продължете да изследвате
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the AI in Archaeological Site Detection quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Next guide
AI при откриване на плагиатство и академична почтеност
Frequently asked questions
What is AI in Archaeological Site Detection?
AI сканира сателитни изображения, въздушни снимки и лазерно сканиран терен, за да открие заровени или скрити археологически обекти, които хората-геодезисти биха пропуснали. Той драстично ускорява търсенето в пейзажи, които са твърде обширни, за да се върви пеша.
Защо LiDAR е особено ценен за откриване на места под гори?
LiDAR изстрелва лазерни импулси от въздуха; тъй като някои импулси достигат земята през пролуки в короната, обработката може да премахне растителността и да разкрие земни насипи отдолу.
Какъв тип AI модел се използва най-често за разпознаване на археологически характеристики в изображения?
CNN превъзхождат в намирането на визуални модели и са обучени върху етикетирани примери за могили, пътища и основи, за да забелязват подобни форми в големи изображения.
Кой известен проект използва LiDAR, за да разкрие десетки хиляди скрити структури на Маите?
Инициативата PACUNAM LiDAR картографира повече от 60 000 структури на маите, скрити от гватемалската джунгла.
Защо AI откриванията все още изискват човешки археолози да ги проверяват на място?
Естествената геология, моделите на растителността и съвременните смущения могат да имитират археологически подписи, така че експертите трябва да потвърдят кандидат-сайтовете лично.
Как затрупаните стени или ровове могат да се разкрият в мултиспектрални или топлинни изображения?
Заровените характеристики променят дренажните и топлинните свойства на почвата, създавайки фини разлики в растежа на културите, влагата и повърхностната температура, които сензорите могат да уловят.