概述
人工智能扫描卫星图像、航空照片和激光扫描地形，以发现人类测量员可能错过的埋藏或隐藏的考古遗址。它极大地加快了对过于广阔而无法步行的景观的搜索速度。
考古遗址检测中的人工智能侧重于实际部署：将模型功能转化为可靠的日常工作流程，提供可衡量的价值。
深入探讨
考古学家越来越多地使用机器学习来寻找遗址，而无需先挖掘。卷积神经网络根据已知特征（墓葬、古道、野外系统、建筑地基）的标记示例进行训练，然后扫描大片图像区域以查找相似模式。一个关键的数据源是激光雷达，它从飞机或无人机发射激光脉冲并测量其返回，以建立精确的地面 3D 模型。由于激光穿透植被间隙，激光雷达可以揭示隐藏在茂密森林树冠下的土方工程。人工智能已经帮助绘制了危地马拉丛林和英国各地罗马时代地貌下数千个玛雅建筑的地图。多光谱和热图像增加了进一步的线索，因为埋藏的墙壁和沟渠改变了土壤保持水分和热量的方式。
技术洞察
LiDAR 点云被转换为数字高程模型，然后通过山体阴影、坡度和局部地形模型等可视化效果进行增强，这些模型会夸大细微的凹凸和凹陷。经过这些处理过的图像训练的 CNN 可以学习人造特征与自然地形的几何特征。至关重要的是，模型会标记候选者以供专家在地面上进行验证，因为植被、地质和现代干扰会产生许多误报。
掌握考古遗址检测中的人工智能
人工智能扫描卫星图像、航空照片和激光扫描地形，以发现人类测量员可能错过的埋藏或隐藏的考古遗址。它极大地加快了对过于广阔而无法步行的景观的搜索速度。考古遗址检测中的人工智能侧重于实际部署：将模型功能转化为可靠的日常工作流程，提供可衡量的价值。为了建立深入的理解，请将考古遗址检测中的人工智能视为一种操作模型，而不是单一功能：定义期望的结果，澄清假设，并将系统可以可靠地完成的任务与仍需要专家判断的任务分开。
在实践中，在考古遗址检测中使用人工智能的强大团队专注于工作流程结果，而不是模型演示，并尽早定义人工检查点。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
应用级设计决定了人工智能是否能改善实际结果。与此同时，将损坏的流程自动化可能会加剧现有的问题。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
应用级设计决定了人工智能是否能改善实际结果。
应用级设计决定了人工智能是否能改善实际结果。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
良好的工作流程集成可以创造用户值得信赖的生产力收益。
良好的工作流程集成可以创造用户值得信赖的生产力收益。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
范围明确的用例可以减少变更疲劳和实施风险。
范围明确的用例可以减少变更疲劳和实施风险。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
PACUNAM LiDAR 调查利用机载激光扫描揭示了隐藏在危地马拉雨林下方的 60,000 多个以前未知的玛雅建筑。
研究人员利用激光雷达数据训练神经网络，自动绘制荷兰和英国部分地区的史前墓葬和凯尔特野外系统地图。
卫星图像分析帮助莎拉·帕卡克（Sarah Parcak）的团队识别了埃及潜在的埋葬坟墓、定居点和金字塔，这种方法被称为“太空考古学”。
卫星时间序列的机器学习已被用来检测和跟踪冲突期间叙利亚和伊拉克地点的抢劫坑。
实施模式
人工智能在考古遗址检测中的实践
PACUNAM LiDAR 调查利用机载激光扫描揭示了隐藏在危地马拉雨林下方的 60,000 多个以前未知的玛雅建筑。
PACUNAM LiDAR 调查使用机载激光扫描揭示了隐藏在危地马拉雨林下方的 60,000 多个以前未知的玛雅结构。当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪随时间推移的生产力增益和错误成本时，通常会得到更好的结果。
人工智能在考古遗址检测中的实践
研究人员利用激光雷达数据训练神经网络，自动绘制荷兰和英国部分地区的史前墓葬和凯尔特野外系统地图。
研究人员利用激光雷达数据训练神经网络，自动绘制荷兰和英国部分地区的史前墓葬和凯尔特野外系统地图。当团队预先定义质量阈值、为边缘情况保留人为升级路径并跟踪一段时间内的生产力增益和错误成本时，通常会获得更好的结果。
人工智能在考古遗址检测中的实践
卫星图像分析帮助莎拉·帕卡克（Sarah Parcak）的团队识别了埃及潜在的埋葬坟墓、定居点和金字塔，这种方法被称为“太空考古学”。
卫星图像分析帮助 Sarah Parcak 的团队识别了埃及潜在的埋葬坟墓、定居点和金字塔，这种方法被称为“太空考古学”。当团队预先定义质量阈值、为边缘情况保留人为升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
人工智能在考古遗址检测中的实践
卫星时间序列的机器学习已被用来检测和跟踪冲突期间叙利亚和伊拉克地点的抢劫坑。
卫星时间序列上的机器学习已被用来检测和跟踪冲突期间叙利亚和伊拉克地点的抢劫坑。当团队预先定义质量阈值、为边缘情况保留人为升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会得到更好的结果。
风险与防护栏
将损坏的流程自动化可能会加剧现有问题。
团队可能会过度自动化并消除所需的人工判断。
如果不持续评估输出，质量可能会出现偏差。
实施路线图
绘制当前工作流程并确定摩擦最大的步骤。
绘制当前工作流程并确定摩擦最大的步骤。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在完全自动化之前定义人工检查点。
在完全自动化之前定义人工检查点。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
对用户进行提示、升级路径和质量标准方面的培训。
对用户进行提示、升级路径和质量标准方面的培训。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
跟踪任务级结果以确认持续价值。
跟踪任务级结果以确认持续价值。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。