Gevinster:
- Evne til at scanne for uregelmæssigheder i satellit-, luftfotografering og LiDAR-data med kunstig intelligens og evaluere hvert tegn som en kandidat, der kræver terrænbekræftelse
- Forstå den sæsonmæssige og betingede afhængighed af plante-, jord- og skyggespor og hvordan naturlige/moderne falske positiver elimineres.
- Evne til at anvende, hvorfor følsomme lokaliteter skal beskyttes mod plyndring og sløres i udsendelse
En af de mest spændende udviklinger inden for arkæologi er evnen til at se spor under jorden og på overfladen uden at grave i jorden. Fjernmåling (en metode til at undersøge et område med satellit-, fly- eller dronebilleder uden at røre det fysisk) er det mest kraftfulde værktøj til at scanne store områder og opdage mulige steder (steder, der indeholder arkæologiske levn). I denne enhed lærer vi, hvordan AI markerer anomalier (spor, der adskiller sig fra omgivelserne, som kan være menneskeskabte) i satellitbilleder, luftfotos og LiDAR-data, men hvorfor hvert mærke skal bekræftes i felten.
Grundprincip: AI er en scannings- og pegeassistent, der siger "se her" i et bredt område; "Dette er virkelig et websted" beslutningen træffes af landkontrollen og eksperten. I fjernmåling er hvert punkt markeret af AI en hypotese, ikke en opdagelse.
Typer af fjernmåling
Satellit- og luftfotografering. Nedgravede strukturer fører til differentiel vækst af jorden og vegetationen over dem. Afgrøden på en mur er svagere, på en grøft er den busket; Disse kaldes skæremærker. NDVI (et indeks, der måler vegetationens sundhed; det kvantificerer planternes vitalitet ved hjælp af infrarødt lys) fremhæver disse forskelle. AI scanner disse subtile forskelle i store billeder hurtigere end et menneske.
LiDAR. LiDAR (Light Detection and Ranging — teknologi, der skaber et meget præcist 3D højdekort af overfladen ved at skyde en laser fra et fly til jorden og måle returtiden) er det mest revolutionerende værktøj. Dens egenskab er, at laseren kan nå jorden gennem træer; Således afsløres høje, terrasser, veje og bygningsfundamenter under skoven, når vegetationen numerisk "pilles". AI markerer bump, huller og glatte geometriske former i disse højdedata.
Geofysik (supplerende). Metoder som jordpenetrerende radar (GPR) og magnetisk opmåling ses lige under overfladen; AI hjælper også med at lede efter anomalimønstre i disse data.
Stedsdetekteringstrin med AI
- Dataforberedelse. Billeder tilpasses koordinatsystemet (georeferencing), skygge og kontrast korrigeres. I LiDAR filtreres vegetation fra, og der produceres en "barjordsmodel".
- Anomali scanning. AI markerer glatte geometrier, der kan være menneskeskabte (cirkulær høj, rektangulær struktur, lineær grøft/vej).
- Elimination. De fleste af skiltene er naturlige (geologiske, landbrugsmæssige, moderne). Eksperten eliminerer dem, der er klart naturlige og moderne.
- Prioritering. De resterende kandidatpoint prioriteres efter kontekst og kendt webstedsfordeling.
- Jordbekræftelse. Prioriterede punkter kontrolleres på stedet ved overfladeundersøgelse og om nødvendigt boring. Intet punkt erklæres "sit" uden bekræftelse.
Tip: Se altid tegn på AI som "en liste over kandidater med en høj falsk positiv rate." Målet er intelligent at indsnævre de steder, der skal besøges i marken; ikke at annoncere opdagelsen. At reducere 200 landpoint til 30 på en sæson er en stor gevinst.
Følsom placering: kritisk privatliv
Det mest alvorlige etiske og sikkerhedsmæssige problem ved lokalitetsdetektion er lokationsfortrolighed. De præcise koordinater for et nyligt identificeret, ubeskyttet sted er et direkte mål for illegale gravere og skattesøgere. Derfor:
- Gå ikke ind i offentlige AI-køretøjer, hvis nøjagtige koordinater ikke er blevet bekræftet.
- Slør placeringen af følsomme websteder i udsendelser og præsentationer (giv generelt område, ingen GPS).
- Hold data i organisationens sikre system og begræns adgangen.
Bemærk: Indsættelse af koordinaterne for et websted i en offentlig tjeneste, der siger "Jeg skal lige have et kort tegnet", kan efterlade webstedet åbent for plyndring. Lokalitetsdata er et aktiv, der skal beskyttes lige så meget som selve fundet.
tre minisager
Tilfælde 1 — Scanningen indsnævrede området. Et undersøgelsesprojekt vil undersøge et areal på 500 km². AI-drevet LiDAR-analyse markerede 120 mulige høje under skoven. Efter eksperteliminering er der 38 prioriterede pladser tilbage; 11 af disse viste sig at være rigtige arkæologiske strukturer i marken. AI har fortættet måneders blind søgning til en målrettet sæson.
Case 2 — Falsk positiv var lektionen. Mens et hold spændt forberedte sig på at erklære et glat cirkulært ar markeret af AI for en "høj", viste den ekspertgeolog, at det var en naturlig depression (dolin). En erklæring uden jordbekræftelse kan være et tab af omdømme. Lektion: AI ser geometri, ikke fortolkning af oprindelse.
Tilfælde 3 — Placeringslækage forhindret. En elev ville uploade billedet med koordinaterne for et nyligt fundet websted til et offentligt værktøj. Rådgiveren standsede; området var stadig ubeskyttet. Billedet blev behandlet med koordinatoplysninger fjernet og kun i det sikre system.
Fire kopierbare skabeloner
1) Anomali scanningsramme:
Din rolle: fjernmålingsanalyseassistent. Jeg vil give dig et barjords (LiDAR-afledt) højdebillede/data. Marker glatte geometrier (cirkulære, rektangulære, lineære), der KAN være menneskeskabte; Skriv for hver dens placering, format og hvorfor den er bemærkelsesværdig. For hvert skilt angives også muligheden for en naturlig/moderne forklaring. Erklær ikke en definitiv "sit".
2) Falsk positiv eliminering:
Nedenfor er listen over kandidatpunkter, som AI har markeret. Angiv for hver de naturlige og moderne forklaringer (geologisk dannelse, landbrugsspor, vej, bygningsfundament), som jeg kan fjerne FØR terræntjekket. Angiv de resterende "virkelig vage" kandidater separat.
3) Landkontrolplan:
Mine topkandidatpladser er: [liste]. For hvert punkt vises en tjekliste, der indeholder de indikatorer, jeg skal kigge efter, når jeg skal bekræfte i marken (overfladefund, topografi, jordfarve, stentæthed) og sikre/etiske feltregler (tilladelse, lokalitetsfortrolighed).
4) Placeringssløring for udsendelse:
Når du forbereder følgende webstedsoplysninger til en publikation/præsentation, så foreslå, hvordan jeg kan beskrive det UDEN at afsløre den nøjagtige placering: angiv hvilket generaliseringsniveau (provins/region), hvilke oplysninger der skal udelades. Målet: en balance mellem videnskabelig gennemsigtighed og beskyttelse mod fordærv.
Svag prompt / Stærk prompt
Svag prompt:
Er der et arkæologisk sted på dette satellitbillede? Giv dens koordinater.
AI kan erklære et naturligt spor for et "sit" og passe til en sikker koordinat; Dette er farligt både fra et videnskabeligt og et sikkerhedsmæssigt perspektiv.
Kraftig prompt:
Din rolle: Fjernmålingsassistent. Marker de glatte geometriske mærker, der KAN være menneskeskabte på dette billede. For hvert spor: (a) dets form, (b) hvorfor det er bemærkelsesværdigt, (c) naturlig/moderne alternativ forklaring. Disse er kandidater, der kun skal kontrolleres PÅ FELTET; ikke erklære en "sit". Generer nøjagtige koordinater, beskriv relativ position.
Forskel: den første gør opdagelse erklæret; sidstnævnte frembringer en sikker liste over kandidater, der skal verificeres.
Billedtyper og sæsonbestemte effekter
Ved fjernmåling virker et billede ikke "altid"; Det kræver den rigtige tilstand at se det rigtige spor. Afgrødemærker optræder bedst i tørre perioder, hvor afgrøden er under vandstress: Jorden over en nedgravet mur holder mindre på vand, så afgrøden dér bliver tidligt gul og fremstår som en streg fra oven. I et fugtigt forårsbillede vises det samme spor muligvis slet ikke. Jordmærker vises, når forskelligt farvet jord kommer til overfladen, efter at marken er pløjet. Skyggemærker afslører derimod lette buler og huller med lange skygger i lav sol, om morgenen eller aftenen. Derfor er det nødvendigt at vurdere et område ikke med et enkelt billede, men med mange billeder på forskellige årstider og tidspunkter; AI fremskynder denne multi-time sammenligning.
Fordelen ved LiDAR er, at den i vid udstrækning overvinder denne tilstandsafhængighed: da den direkte måler overfladetopografi, er den mindre afhængig af vegetationssæsonen og kan se skovunderlaget. Men når man producerer en "barjordsmodel" i LiDAR, hvis plantefilteret er for aggressivt, kan det slette de rigtige bump, og hvis det er for blødt, kan det forveksle træerne med strukturer; Disse filterbeslutninger kræver ekspertovervågning.
Tip: Når du vurderer et område, så spørg "i hvilken sæson, på hvilket tidspunkt og med hvilken metode?" Stil altid spørgsmålet. Hvis der ikke er spor i et enkelt billede, betyder det ikke, at der ikke er noget sted; Måske ser du på den i den forkerte stand.
Metode sammenligningstabel
Metode
hvad ser
Bidrag af AI
grænse
Satellit/luftfotografering
Plante-/jordspor
Bredt område scanning
sæson, opløsning
NDVI
Plantekraftforskel
Fremhævelse af ar
Forvirrer naturlige forskelle
LiDAR
overfladetopografi
skovunderskovsgeometri
Plantefilterfejl
Geofysik (GPR/magnetisk)
struktur under overfladen
Anomali mønster
lokal, langsom
Almindelige fejl
- At forveksle en anomali med en opdagelse. Skiltet er en kandidat; Uden jordbekræftelse er det ikke et websted.
- Fjerner ikke naturlige/moderne spor. Doliner, landbrugsar og rør optræder ofte som "strukturer".
- Giver den nøjagtige koordinat til det åbne køretøj. Risiko for plyndring; Beliggenhed er et aktiv, der skal beskyttes.
- Stoler på et enkelt billede. Fortolkningen er ufuldstændig uden forskellige årstider, forskellige metoder og terræn.
- Glemmer den falske positive rate. De fleste skilte kommer tomme op; Dette er normalt, formålet er indsnævret.
Sammenfattende
Ved fjernmåling sparer kunstig intelligens enorm tid ved at scanne store områder og markere mulige steder. Men hvert tegn er en hypotese, der skal bekræftes i felten; naturlige og moderne spor er omhyggeligt elimineret; og vigtigst af alt er følsomme steder beskyttet mod plyndring. AI siger "se her"; Landet og den sagkyndige afgør, om "dette sted er fredet".
Ansøgningsopgave
Vælg et LiDAR- eller satellitbillede med åben adgang (fra din egen region eller fra et eksempeldatasæt). Få AI-flaget til at markere mulige geometrier med skabelonen "Anomaly scanning", og eliminer derefter naturlige/moderne forklaringer med skabelonen "Falsk positiv eliminering". Udarbejd en landkontrolplan for de resterende kandidater og medtag en fortrolighedsnotat om placering.
tjekliste
- [ ] Jeg anså AI-signalerne for at være "kandidater", ikke opdagelser.
- [ ] Jeg forsøgte at fjerne naturlige og moderne spor.
- [ ] Jeg har planlagt jordbekræftelse for prioritetskandidater.
- [ ] Jeg efterlod de følsomme steder ude af det åbne køretøj og slørede dem i udsendelsen.
- [ ] Jeg tog højde for, at den falske positive rate kan være høj.