收益：
- 能够利用人工智能扫描卫星、航空摄影和激光雷达数据中的异常情况，并将每个标志评估为需要地形确认的候选标志
- 了解植物、土壤和阴影痕迹的季节和条件依赖性以及如何消除自然/现代误报。
- 能够应用为什么应保护敏感站点位置免遭掠夺并在广播中模糊化
考古学最令人兴奋的发展之一是无需挖掘地面即可看到地下和地表痕迹的能力。遥感（一种利用卫星、飞机或无人机图像检查某个区域而无需实际接触该区域的方法）是扫描大面积区域和探测可能地点（含有考古遗迹的地点）的最强大工具。在本单元中，我们将学习人工智能如何标记卫星图像、航空照片和激光雷达数据中的异常（与周围环境不同的轨迹，可能是人为的），以及为什么每个标记必须在现场确认。
基本原理：AI是一个扫描指点助手，在大范围内说“看这里”； “这确实是一个地点”的决定是由土地控制和专家做出的。在遥感领域，人工智能标记的每个点都是一个假设，而不是一个发现。
遥感类型
卫星和航空摄影。埋地结构导致其上方的土壤和植被生长差异。墙上的作物较弱，沟渠上的作物较茂密；这些称为裁剪标记。 NDVI（衡量植被健康状况的指数；它使用红外光量化植物活力）强调了这些差异。人工智能比人类更快地扫描大图像中的这些细微差异。
激光雷达。 LiDAR（光探测和测距——通过从飞机向地面发射激光并测量返回时间来创建非常精确的表面 3D 高程图的技术）是最具革命性的工具。其特点是激光可以穿过树木到达地面；因此，当植被被数字化“剥离”时，森林下的土丘、梯田、道路和建筑地基就会显露出来。人工智能在此高程数据中标记凹凸、凹坑和平滑的几何形状。
地球物理学（补充）。探地雷达 (GPR) 和磁力测量等方法可直接观察地表以下情况；人工智能也有助于寻找这些数据中的异常模式。
AI 站点检测步骤
- 数据准备。图像适合坐标系（地理配准），阴影和对比度得到校正。在激光雷达中，植被被过滤掉并生成“裸露地面模型”。
- 异常扫描。人工智能标记可能是人造的平滑几何形状（圆形土丘、矩形结构、线性沟渠/道路）。
- 消除。大多数迹象都是自然的（地质的、农业的、现代的）。专家剔除了那些明显自然和现代的东西。
- 优先顺序。其余候选点根据上下文和已知站点分布确定优先级。
- 土地确认。通过表面勘测和必要时钻孔来现场检查优先点。未经确认，任何点都不会被宣布为“坐”。
提示：始终将人工智能的迹象视为“误报率较高的候选者列表”。目的是智能地缩小实地参观的地点；不宣布这一发现。一个赛季把200点陆地点减少到30点，已经是很大的收获了。
敏感位置：关键隐私
站点检测中最严重的道德和安全问题是位置机密性。新发现的未受保护地点的精确坐标是非法挖掘者和寻宝者的直接目标。因此：
- 请勿进入未确定准确坐标的公共人工智能车辆。
- 在广播和演示中模糊敏感站点的位置（给出一般区域，没有 GPS）。
- 将数据保存在组织的安全系统中并限制访问。
注意：将站点的坐标粘贴到公共服务中并说“我只是要绘制一张地图”可能会使该站点容易被掠夺。位置数据是一种资产，必须像发现物本身一样受到保护。
三个迷你箱子
情况 1 — 扫描缩小了区域。一个调查项目将调查500平方公里的面积。 AI 驱动的 LiDAR 分析标记了森林下 120 个可能的土丘。专家淘汰后，剩余38个优先名额；其中 11 个被发现是现场真实的考古结构。人工智能将数月的盲目搜索浓缩为目标季节。
案例 2——误报就是教训。当一个团队兴奋地准备宣布人工智能标记的光滑圆形疤痕为“土丘”时，地质专家表明这是一个天然凹陷（dolin）。未经土地确认而发表的声明可能会损害声誉。教训：人工智能看到的是几何形状，而不是对原点的解释。
案例 3 — 防止位置泄露。学生将包含新发现站点坐标的图像上传到公共工具。辅导员停了下来。该地区仍未受到保护。图像经过删除坐标信息的处理，并且仅在安全系统中进行。
四个可复制模板
1）异常扫描框：
您的角色：遥感分析助理。我将为您提供裸地（激光雷达衍生的）高程图像/数据。标记可能是人造的平滑几何形状（圆形、矩形、线性）；对于每一个，写下它的位置、格式以及为什么它值得注意。对于每个标志，还指出自然/现代解释的可能性。不要宣布明确的“坐”。
2）误报消除：
下面是人工智能标记的候选点列表。对于每一个，列出我可以在地形检查之前消除的自然和现代解释（地质构造、农业痕迹、道路、建筑基础）。单独列出剩余的“非常模糊”的候选人。
3）土地控制计划：
我的最佳候选位置是：[列表]。对于每个点，都会出现一个清单，其中包含我在现场确认时应寻找的指标（表面发现、地形、土壤颜色、石头密度）和安全/道德现场规则（许可、位置机密性）。
4）广播位置模糊：
当为出版物/演示文稿准备以下站点信息时，请建议我如何描述它而不透露确切位置：列出概括程度（省/地区），应省略哪些信息。目标：科学透明度和防止变质之间的平衡。
弱提示/强提示
弱提示：
这张卫星图像中有考古遗址吗？给出它的坐标。
AI 可以将自然轨迹声明为“坐”并拟合出可靠的坐标；从科学和安全角度来看，这都是危险的。
强力提示：
您的角色：遥感助理。在此图像中标记可能是人造的平滑几何标记。对于每条痕迹：(a) 其形状，(b) 为何引人注目，(c) 自然/现代的替代解释。这些候选人只能在现场进行检查；不要宣布“坐”。生成精确坐标，描述相对位置。
区别：第一个使发现宣告；后者会产生一份需要验证的安全候选人名单。
图像类型和季节影响
在遥感中，图像并不“总是”有效；需要合适的条件才能看到正确的轨道。作物痕迹在作物面临水分胁迫的干旱时期表现得最好：埋墙上方的土壤保留的水分较少，因此那里的作物很快就会变黄，从上方看起来像一条线。在潮湿的春天图像中，可能根本不会出现相同的痕迹。耕地后，当不同颜色的土壤出现在地表时，就会出现土壤痕迹。另一方面，阴影痕迹在早晨或傍晚的低日照下会显示出轻微的凹凸和坑洼，并带有长长的阴影。因此，不能用单一图像来评价一个区域，而是需要用不同季节、不同时间的多幅图像来评价；人工智能加速了这种多次比较。
激光雷达的优点在于它很大程度上克服了这种条件依赖性：由于它直接测量地表地形，因此对植被季节的依赖较小，并且可以看到森林林下植被。然而，在激光雷达中制作“裸地模型”时，如果植物滤镜太激进，它会抹掉真实的凹凸，如果太软，它可能会将树木误认为是建筑物；这些过滤决策需要专家的监督。
提示：评估一个地区时，询问“在哪个季节、什么时间、用什么方法？”总是问问题。如果单个图像中没有痕迹，并不意味着没有站点；也许你在错误的条件下看待它。
方法对照表
方法
看到什么
人工智能的贡献
边界
卫星/航空摄影
植物/土壤痕迹
广域扫描
季节、决议
归一化植被指数
植物活力差异
疤痕突出
混淆自然差异
激光雷达
表面形貌
森林林下几何
工厂过滤器错误
地球物理学（探地雷达/磁）
地下结构
异常模式
本地，慢
常见错误
- 将异常现象误认为是发现。该标志是候选人；未经土地确认，它不是一个地点。
- 没有消除自然/现代的痕迹。土林、农业疤痕和管道经常以“结构”的形式出现。
- 为开放车辆提供准确的坐标。抢劫风险；位置是必须受到保护的资产。
- 依赖于单个图像。没有不同的季节、不同的方法、不同的地形，解读是不完整的。
- 忘记误报率。大多数标牌都是空的。这很正常，目的变窄了。
综上所述
在遥感领域，人工智能可以节省大量时间来扫描大面积区域并标记可能的地点。但每一个迹象都是一个必须在现场得到证实的假设；自然和现代的痕迹被精心消除；最重要的是，敏感地点受到保护，免遭抢劫。 AI 说“看这里”；土地和专家决定“这个地方是否受到保护”。
应用任务
选择开放获取的 LiDAR 或卫星图像（来自您自己的区域或示例数据集）。让人工智能使用“异常扫描”模板标记可能的几何形状，然后使用“误报消除”模板消除自然/现代的解释。为其余候选人起草土地控制计划，并包括位置保密说明。
清单
- [ ]我认为人工智能信号是“候选者”，而不是发现。
- [ ] 我试图消除自然和现代的痕迹。
- [ ] 我已经为优先候选者计划了土地确认。
- [ ] 我将敏感地点留在了敞篷车辆之外，并在广播中对它们进行了模糊处理。
- [ ] 我考虑到误报率可能很高。