AI στην Ανίχνευση Αρχαιολογικών Χώρων
Η τεχνητή νοημοσύνη σαρώνει δορυφορικές εικόνες, αεροφωτογραφίες και εδάφη που έχουν σαρωθεί με λέιζερ για να εντοπίσει θαμμένους ή κρυμμένους αρχαιολογικούς χώρους που θα έχαναν οι ερευνητές.
Επισκόπηση
It dramatically speeds up the search across landscapes too vast to walk on foot.
Βαθιά κατάδυση
Οι αρχαιολόγοι χρησιμοποιούν όλο και περισσότερο τη μηχανική μάθηση για να βρουν τοποθεσίες χωρίς να σκάψουν πρώτα. Τα συνελικτικά νευρωνικά δίκτυα εκπαιδεύονται σε επισημασμένα παραδείγματα γνωστών χαρακτηριστικών (τύμβοι, αρχαίοι δρόμοι, συστήματα πεδίου, θεμέλια κτιρίων) και στη συνέχεια σαρώνουν τεράστιες περιοχές εικόνων για παρόμοια μοτίβα. Μια βασική πηγή δεδομένων είναι το LiDAR, το οποίο εκτοξεύει παλμούς λέιζερ από αεροσκάφη ή drones και μετρά την επιστροφή τους για να δημιουργήσει ένα ακριβές τρισδιάστατο μοντέλο του εδάφους. Επειδή το λέιζερ διεισδύει σε κενά στη βλάστηση, το LiDAR μπορεί να αποκαλύψει χωματουργικές εργασίες κρυμμένες κάτω από πυκνό δάσος. Η τεχνητή νοημοσύνη βοήθησε στη χαρτογράφηση χιλιάδων δομών των Μάγια κάτω από τη ζούγκλα της Γουατεμάλας και τα χαρακτηριστικά της ρωμαϊκής εποχής σε ολόκληρη τη Βρετανία. Οι πολυφασματικές και θερμικές εικόνες προσθέτουν περαιτέρω ενδείξεις, καθώς οι θαμμένοι τοίχοι και οι τάφροι αλλάζουν τον τρόπο με τον οποίο το έδαφος διατηρεί την υγρασία και τη θερμότητα.
Τεχνική διορατικότητα
Τα σύννεφα σημείων LiDAR μετατρέπονται σε ψηφιακά υψομετρικά μοντέλα και στη συνέχεια ενισχύονται με απεικονίσεις όπως σκίαση λόφων, κλίση και τοπικά ανάγλυφα μοντέλα που μεγαλοποιούν τις λεπτές προσκρούσεις και βαθουλώματα. Ένα CNN που έχει εκπαιδευτεί σε αυτές τις επεξεργασμένες εικόνες μαθαίνει τις γεωμετρικές υπογραφές των ανθρωπογενών χαρακτηριστικών έναντι του φυσικού εδάφους. Είναι πολύ σημαντικό, τα μοντέλα να επισημαίνουν τους υποψηφίους για να επαληθεύσουν οι ειδικοί στο έδαφος, επειδή η βλάστηση, η γεωλογία και η σύγχρονη διαταραχή παράγουν πολλά ψευδώς θετικά αποτελέσματα.
Στρατηγικός αντίκτυπος
Δημιουργήστε επιλογές
Ο σχεδιασμός σε επίπεδο εφαρμογής καθορίζει εάν η τεχνητή νοημοσύνη βελτιώνει τα πραγματικά αποτελέσματα.
Ομάδα και ροή εργασίας
Η καλή ενσωμάτωση ροής εργασιών δημιουργεί κέρδη παραγωγικότητας που μπορούν να εμπιστευτούν οι χρήστες.
Κίνδυνος και ασφάλεια
Οι καλές περιπτώσεις χρήσης μειώνουν την κόπωση λόγω αλλαγής και τον κίνδυνο εφαρμογής.
Το μέλλον της τεχνητής νοημοσύνης στην ανίχνευση αρχαιολογικών χώρων
Αναμένετε ευρύτερη χρήση των ελεύθερα διαθέσιμων παγκόσμιων δορυφορικών δεδομένων, επιτρέποντας στους ερευνητές σε περιοχές υπό έρευνα να εντοπίσουν τοποθεσίες σε ηπειρωτική κλίμακα. Η αυτοεποπτευόμενη μάθηση θα μειώσει την ανάγκη για μεγάλα σύνολα δεδομένων με ετικέτα, μια χρόνια συμφόρηση στην αρχαιολογία. Η καλύτερη συγχώνευση LiDAR, ραντάρ και ιστορικών χαρτών θα μειώσει τους ψευδείς συναγερμούς. Γίνονται επίσης αυξανόμενες προσπάθειες για τη χρήση εργαλείων ανίχνευσης για την παρακολούθηση των λεηλασιών και την προστασία τοποθεσιών που απειλούνται από την κλιματική αλλαγή, την ανάπτυξη και τις συγκρούσεις.
Υλοποίηση σε πραγματικό κόσμο
Η έρευνα PACUNAM LiDAR χρησιμοποίησε αερομεταφερόμενη σάρωση λέιζερ για να αποκαλύψει περισσότερες από 60.000 άγνωστες προηγουμένως δομές των Μάγια κρυμμένες κάτω από το τροπικό δάσος της Γουατεμάλας.
Οι ερευνητές εκπαίδευσαν νευρωνικά δίκτυα σε δεδομένα LiDAR για να χαρτογραφήσουν αυτόματα προϊστορικούς ταφικούς τύμβους και συστήματα κελτικών πεδίων σε περιοχές της Ολλανδίας και της Βρετανίας.
Η ανάλυση δορυφορικών εικόνων βοήθησε την ομάδα της Sarah Parcak να εντοπίσει πιθανούς θαμμένους τάφους, οικισμούς και πυραμίδες στην Αίγυπτο, μια προσέγγιση που διαδόθηκε ως «διαστημική αρχαιολογία».
Η μηχανική εκμάθηση σε δορυφορικές χρονοσειρές έχει χρησιμοποιηθεί για τον εντοπισμό και την παρακολούθηση λεηλασιών σε τοποθεσίες στη Συρία και το Ιράκ κατά τη διάρκεια περιόδων σύγκρουσης.
Κίνδυνοι & προστατευτικά κιγκλιδώματα
Η αυτοματοποίηση μιας διαλυμένης διαδικασίας μπορεί να ενισχύσει τα υπάρχοντα προβλήματα.
Οι ομάδες μπορεί να αυτοματοποιήσουν υπερβολικά και να αφαιρέσουν την απαραίτητη ανθρώπινη κρίση.
Η ποιότητα μπορεί να αλλάξει αν τα αποτελέσματα δεν αξιολογούνται συνεχώς.
Οδικός Χάρτης Εφαρμογής
Χαρτογραφήστε την τρέχουσα ροή εργασίας και εντοπίστε το βήμα της υψηλότερης τριβής.
Καθορίστε ανθρώπινα σημεία ελέγχου πριν από την πλήρη αυτοματοποίηση.
Εκπαιδεύστε τους χρήστες σε προτροπές, διαδρομές κλιμάκωσης και πρότυπα ποιότητας.
Παρακολουθήστε τα αποτελέσματα σε επίπεδο εργασίας για να επιβεβαιώσετε τη σταθερή αξία.
Συνεχίστε την εξερεύνηση
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
Επόμενος οδηγός
AI στη Λογοκλοπή και την Ανίχνευση Ακαδημαϊκής Ακεραιότητας
Συχνές ερωτήσεις
What is AI in Archaeological Site Detection?
Η τεχνητή νοημοσύνη σαρώνει δορυφορικές εικόνες, αεροφωτογραφίες και εδάφη που έχουν σαρωθεί με λέιζερ για να εντοπίσει θαμμένους ή κρυμμένους αρχαιολογικούς χώρους που θα έχαναν οι ερευνητές. Επιταχύνει δραματικά την αναζήτηση σε τοπία πολύ μεγάλα για να περπατήσετε με τα πόδια.
Γιατί το LiDAR είναι ιδιαίτερα πολύτιμο για τον εντοπισμό τοποθεσιών κάτω από δάση;
Το LiDAR εκτοξεύει παλμούς λέιζερ από τον αέρα. Επειδή ορισμένοι παλμοί φτάνουν στο έδαφος μέσω των κενών στο θόλο, η επεξεργασία μπορεί να απογυμνώσει τη βλάστηση και να αποκαλύψει χωματουργικές εργασίες από κάτω.
Ποιος τύπος μοντέλου AI χρησιμοποιείται πιο συχνά για την αναγνώριση αρχαιολογικών χαρακτηριστικών σε εικόνες;
Τα CNN διαπρέπουν στην εύρεση οπτικών μοτίβων και εκπαιδεύονται σε παραδείγματα αναχωμάτων, δρόμων και θεμελίων με ετικέτα για να εντοπίζουν παρόμοια σχήματα σε μεγάλες εικόνες.
Ποιο διάσημο έργο χρησιμοποίησε το LiDAR για να αποκαλύψει δεκάδες χιλιάδες κρυμμένες δομές των Μάγια;
Η πρωτοβουλία PACUNAM LiDAR χαρτογράφησε περισσότερες από 60.000 δομές των Μάγια που κρύβονταν από τη ζούγκλα της Γουατεμάλας.
Γιατί οι ανιχνεύσεις τεχνητής νοημοσύνης εξακολουθούν να απαιτούν από ανθρώπους αρχαιολόγους να τις επαληθεύσουν επί τόπου;
Η φυσική γεωλογία, τα μοτίβα βλάστησης και η σύγχρονη αναστάτωση μπορούν να μιμηθούν αρχαιολογικές υπογραφές, επομένως οι ειδικοί πρέπει να επιβεβαιώσουν τις υποψήφιες τοποθεσίες αυτοπροσώπως.
Πώς μπορούν να αποκαλυφθούν θαμμένοι τοίχοι ή τάφροι σε πολυφασματικές ή θερμικές εικόνες;
Τα θαμμένα χαρακτηριστικά αλλάζουν τις αποστραγγιστικές και θερμικές ιδιότητες του εδάφους, δημιουργώντας ανεπαίσθητες διαφορές στην ανάπτυξη των καλλιεργειών, την υγρασία και τη θερμοκρασία της επιφάνειας που μπορούν να εντοπίσουν οι αισθητήρες.