ШІ у виявленні археологічних пам’яток
Штучний інтелект сканує супутникові зображення, аерофотознімки та лазерне сканування місцевості, щоб виявити закопані або приховані археологічні пам’ятки, які люди-геодезисти могли б пропустити.
Огляд
It dramatically speeds up the search across landscapes too vast to walk on foot.
Глибоке занурення
Археологи все частіше використовують машинне навчання, щоб знаходити місця без попереднього розкопування. Згорткові нейронні мережі навчаються на позначених прикладах відомих об’єктів (курганах, стародавніх дорогах, польових системах, фундаментах будівель), а потім сканують величезні області зображень на пошук подібних шаблонів. Ключовим джерелом даних є LiDAR, який запускає лазерні імпульси з літаків або дронів і вимірює їх віддачу для створення точної 3D-моделі землі. Оскільки лазер проникає в прогалини в рослинності, LiDAR може виявити земляні споруди, приховані під пологом густого лісу. AI допоміг нанести на карту тисячі споруд майя під гватемальськими джунглями та елементи римської доби по всій Британії. Багатоспектральні та теплові зображення додають додаткові підказки, оскільки закопані стіни та канави змінюють спосіб утримання вологи та тепла в ґрунті.
Технічне розуміння
Хмари точок LiDAR перетворюються на цифрові моделі рельєфу, а потім доповнюються візуалізаціями, такими як відтінки пагорбів, схили та локальні моделі рельєфу, які перебільшують тонкі нерівності та западини. CNN, навчений на цих оброблених зображеннях, вивчає геометричні ознаки створених людиною об’єктів порівняно з природним рельєфом. Вкрай важливо, що моделі позначають кандидатів для експертів для перевірки на землі, оскільки рослинність, геологія та сучасні порушення дають багато помилкових спрацьовувань.
Стратегічний вплив
Створіть вибір
Розробка на рівні програми визначає, чи покращує ШІ реальні результати.
Команда та робочий процес
Хороша інтеграція робочого процесу підвищує продуктивність, якій користувачі довіряють.
Ризики та безпека
Добре розроблені варіанти використання зменшують втому від змін і ризик впровадження.
Майбутнє ШІ у виявленні археологічних пам’яток
Очікуйте ширшого використання вільно доступних глобальних супутникових даних, що дозволить дослідникам у недостатньо обстежених регіонах виявляти сайти в масштабі континенту. Самоконтрольоване навчання зменшить потребу у великих маркованих наборах даних, хронічному вузькому місці в археології. Краще поєднання LiDAR, радара та історичних карт має зменшити кількість помилкових тривог. Також зростають зусилля щодо використання інструментів виявлення для моніторингу грабунку та захисту місць, яким загрожує зміна клімату, розвиток і конфлікт.
Реалізація в реальному світі
Дослідження PACUNAM LiDAR використовувало повітряне лазерне сканування, щоб виявити понад 60 000 раніше невідомих структур майя, прихованих під тропічними лісами Гватемали.
Дослідники навчили нейронні мережі на даних LiDAR для автоматичного картографування доісторичних курганів і кельтських польових систем у частинах Нідерландів і Британії.
Аналіз супутникових зображень допоміг команді Сари Паркак ідентифікувати потенційні поховані гробниці, поселення та піраміди в Єгипті, підхід, популяризований як «космічна археологія».
Машинне навчання супутникових часових рядів використовувалося для виявлення та відстеження грабіжницьких ям на об’єктах у Сирії та Іраку під час періодів конфлікту.
Ризики та огорожі
Автоматизація несправного процесу може посилити існуючі проблеми.
Команди можуть надмірно автоматизувати роботу й усунути необхідне людське судження.
Якість може погіршуватися, якщо результати не оцінюються постійно.
Дорожня карта впровадження
Намалюйте поточний робочий процес і визначте крок із найбільшим тертям.
Визначте контрольні точки людини перед повною автоматизацією.
Навчіть користувачів підказкам, шляхам ескалації та стандартам якості.
Відстежуйте результати на рівні завдання, щоб підтвердити постійну цінність.
Продовжуйте досліджувати
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
Наступний посібник
ШІ у виявленні плагіату та академічної доброчесності
Часті запитання
What is AI in Archaeological Site Detection?
Штучний інтелект сканує супутникові зображення, аерофотознімки та лазерне сканування місцевості, щоб виявити закопані або приховані археологічні пам’ятки, які люди-геодезисти могли б пропустити. Це значно пришвидшує пошук у ландшафтах, які занадто великі, щоб пройти пішки.
Чому LiDAR особливо цінний для виявлення місць під лісами?
Лідар видає лазерні імпульси з повітря; оскільки деякі бобові досягають землі через щілини в кроні, обробка може видалити рослинність і виявити земляні укріплення під ними.
Який тип моделі AI найчастіше використовується для розпізнавання археологічних об’єктів на зображеннях?
CNN чудово знаходять візуальні шаблони та навчаються на позначених прикладах курганів, доріг і фундаментів, щоб виявляти схожі форми на великих зображеннях.
Який відомий проект використав LiDAR для виявлення десятків тисяч прихованих структур майя?
Ініціатива PACUNAM LiDAR нанесла на карту понад 60 000 споруд майя, прихованих у гватемальських джунглях.
Чому виявлення штучного інтелекту досі вимагають від людей-археологів перевірки їх на землі?
Природна геологія, моделі рослинності та сучасні порушення можуть імітувати археологічні ознаки, тому експерти повинні особисто підтвердити кандидатури.
Як засипані стіни або рови можуть виявлятися на багатоспектральних або теплових зображеннях?
Заглиблені елементи змінюють дренажні та теплові властивості ґрунту, створюючи незначні відмінності у рості культур, вологості та температурі поверхні, які датчики можуть вловити.