ИИ в обнаружении археологических памятников
ИИ сканирует спутниковые изображения, аэрофотоснимки и лазерное сканирование местности, чтобы обнаружить захороненные или скрытые археологические объекты, которые люди-геодезисты не пропустят.
Обзор
It dramatically speeds up the search across landscapes too vast to walk on foot.
Глубокое погружение
Археологи все чаще используют машинное обучение, чтобы находить места без предварительного раскопок. Сверточные нейронные сети обучаются на помеченных примерах известных объектов (курганы, древние дороги, полевые системы, фундаменты зданий), а затем сканируют огромные области изображений на наличие похожих закономерностей. Ключевым источником данных является LiDAR, который запускает лазерные импульсы с самолетов или дронов и измеряет их отдачу для построения точной трехмерной модели земли. Поскольку лазер проникает в просветы растительности, LiDAR может обнаружить земляные сооружения, скрытые под густым пологом леса. ИИ помог нанести на карту тысячи построек майя под джунглями Гватемалы и особенности римской эпохи по всей Британии. Мультиспектральные и тепловизионные изображения добавляют дополнительные подсказки, поскольку подземные стены и канавы меняют то, как почва сохраняет влагу и тепло.
Техническая информация
Облака точек LiDAR преобразуются в цифровые модели рельефа, а затем дополняются визуализациями, такими как модели отмывки холмов, уклонов и местного рельефа, которые усиливают тонкие неровности и впадины. CNN, обученная на этих обработанных изображениях, изучает геометрические особенности рукотворных объектов в сравнении с естественной местностью. Важно отметить, что модели помечают кандидатов для проверки экспертами на местах, поскольку растительность, геология и современные нарушения приводят к множеству ложных срабатываний.
Стратегическое воздействие
Выбор сборки
Проектирование на уровне приложения определяет, улучшит ли ИИ реальные результаты.
Команда и рабочий процесс
Хорошая интеграция рабочих процессов обеспечивает повышение производительности, которому пользователи могут доверять.
Риски и безопасность
Хорошо продуманные варианты использования снижают усталость от изменений и риск внедрения.
Будущее искусственного интеллекта в обнаружении археологических памятников
Ожидайте более широкого использования свободно доступных глобальных спутниковых данных, что позволит исследователям в недостаточно обследованных регионах обнаруживать объекты в континентальном масштабе. Самостоятельное обучение уменьшит потребность в больших наборах размеченных данных, что является хроническим узким местом в археологии. Лучшее сочетание LiDAR, радара и исторических карт должно уменьшить количество ложных тревог. Также активизируются усилия по использованию инструментов обнаружения для отслеживания мародерства и защиты объектов, которым угрожают изменение климата, развитие и конфликты.
Реальная реализация
Исследование PACUNAM LiDAR использовало воздушное лазерное сканирование, чтобы выявить более 60 000 ранее неизвестных структур майя, скрытых под тропическими лесами Гватемалы.
Исследователи обучили нейронные сети на данных LiDAR автоматически картировать доисторические курганы и кельтские полевые системы в некоторых частях Нидерландов и Великобритании.
Анализ спутниковых изображений помог команде Сары Паркак идентифицировать потенциальные погребенные гробницы, поселения и пирамиды в Египте. Этот подход популяризировался как «космическая археология».
Машинное обучение на основе спутниковых временных рядов использовалось для обнаружения и отслеживания ям для грабежей на объектах в Сирии и Ираке в периоды конфликтов.
Риски и ограничения
Автоматизация сломанного процесса может усугубить существующие проблемы.
Команды могут чрезмерно автоматизировать и исключить необходимое человеческое суждение.
Качество может ухудшиться, если результаты не будут оцениваться постоянно.
Дорожная карта реализации
Составьте карту текущего рабочего процесса и определите этап, вызывающий наибольшие затруднения.
Определите человеческие контрольно-пропускные пункты перед полной автоматизацией.
Обучайте пользователей подсказкам, путям эскалации и стандартам качества.
Отслеживайте результаты на уровне задач, чтобы подтвердить устойчивую ценность.
Продолжайте исследовать
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
Следующее руководство
ИИ в обнаружении плагиата и академической честности
Часто задаваемые вопросы
What is AI in Archaeological Site Detection?
ИИ сканирует спутниковые изображения, аэрофотоснимки и лазерное сканирование местности, чтобы обнаружить захороненные или скрытые археологические объекты, которые люди-геодезисты не пропустят. Это значительно ускоряет поиск на ландшафтах, слишком обширных, чтобы ходить пешком.
Почему LiDAR особенно ценен для обнаружения участков под лесом?
LiDAR стреляет лазерными импульсами с воздуха; поскольку некоторые импульсы достигают земли через щели в пологе, обработка может удалить растительность и обнаружить земляные укрепления под ней.
Какой тип модели ИИ чаще всего используется для распознавания археологических особенностей на изображениях?
CNN превосходно находят визуальные закономерности и обучены на помеченных примерах насыпей, дорог и фундаментов находить похожие формы на больших изображениях.
Какой известный проект использовал LiDAR для обнаружения десятков тысяч скрытых структур майя?
Инициатива PACUNAM LiDAR нанесла на карту более 60 000 построек майя, скрытых в джунглях Гватемалы.
Почему открытия ИИ по-прежнему требуют, чтобы археологи-люди проверяли их на местах?
Естественная геология, характер растительности и современные нарушения могут имитировать археологические следы, поэтому эксперты должны лично подтверждать места-кандидаты.
Как погребенные стены или рвы могут обнаружиться на мультиспектральных или тепловизионных снимках?
Скрытые объекты меняют дренажные и термические свойства почвы, создавая тонкие различия в росте сельскохозяйственных культур, влажности и температуре поверхности, которые могут улавливать датчики.