سود:
- امکان اسکن ناهنجاری ها در ماهواره، عکس های هوایی و داده های LiDAR با هوش مصنوعی و ارزیابی هر علامت به عنوان کاندیدایی که نیاز به تایید زمین دارد.
- درک وابستگی فصلی و شرطی آثار گیاه، خاک و سایه و چگونگی حذف مثبت های کاذب طبیعی/مدرن.
- توانایی اعمال چرا مکان های حساس سایت باید در برابر غارت محافظت شوند و در پخش تار شوند
یکی از هیجانانگیزترین پیشرفتها در باستانشناسی، توانایی دیدن آثار در زیر زمین و روی سطح بدون حفاری در زمین است. سنجش از دور (روشی برای بررسی یک منطقه با تصاویر ماهوارهای، هواپیما یا پهپاد بدون لمس فیزیکی آن) قویترین ابزار برای اسکن مناطق بزرگ و شناسایی مکانهای احتمالی (مکانهای حاوی بقایای باستانشناسی) است. در این بخش، ما یاد خواهیم گرفت که چگونه هوش مصنوعی ناهنجاریها (ردهایی که با محیط اطرافش متفاوت است، که ممکن است ساخته دست انسان باشد) را در تصاویر ماهوارهای، عکسهای هوایی و دادههای LiDAR علامتگذاری میکند، اما چرا هر علامت باید در میدان تأیید شود.
اصل اساسی: هوش مصنوعی یک دستیار اسکن و اشاره است که می گوید "اینجا را نگاه کن" در یک منطقه وسیع. تصمیم "این واقعا یک سایت است" توسط کنترل زمین و کارشناس گرفته می شود. در سنجش از دور، هر نقطه ای که توسط هوش مصنوعی مشخص می شود یک فرضیه است، نه یک کشف.
انواع سنجش از دور
عکاسی ماهواره ای و هوایی. ساختارهای مدفون منجر به رشد متفاوت خاک و پوشش گیاهی بالای آنها می شود. محصول روی یک دیوار ضعیف تر است، در یک خندق آن بوته. به این علائم برش می گویند. NDVI (شاخصی که سلامت پوشش گیاهی را اندازهگیری میکند؛ حیات گیاه را با استفاده از نور مادون قرمز کمیت میدهد) این تفاوتها را برجسته میکند. هوش مصنوعی این تفاوت های ظریف را در تصاویر بزرگ سریعتر از انسان اسکن می کند.
LiDAR. LiDAR (تشخیص و محدوده نور - فناوری که با پرتاب لیزر از هواپیما به زمین و اندازه گیری زمان بازگشت، نقشه ارتفاع سه بعدی بسیار دقیقی از سطح ایجاد می کند) انقلابی ترین ابزار است. ویژگی آن این است که لیزر می تواند از طریق درختان به زمین برسد. بنابراین، تپهها، تراسها، جادهها و پایههای ساختمان در زیر جنگل، زمانی که پوشش گیاهی به صورت عددی "پوسته شود" آشکار میشوند. هوش مصنوعی برجستگی ها، حفره ها و اشکال هندسی صاف را در این داده های ارتفاعی مشخص می کند.
ژئوفیزیک (تکمیلی). روش هایی مانند رادار نفوذی زمین (GPR) و نقشه برداری مغناطیسی درست در زیر سطح مشاهده می شود. هوش مصنوعی به جستجوی الگوهای ناهنجاری در این داده ها نیز کمک می کند.
مراحل تشخیص سایت با هوش مصنوعی
- آماده سازی داده ها تصاویر بر روی سیستم مختصات نصب می شوند (georeferencing)، سایه و کنتراست تصحیح می شوند. در LiDAR، پوشش گیاهی فیلتر شده و یک "مدل زمین برهنه" تولید می شود.
- اسکن ناهنجاری هوش مصنوعی هندسه های صافی را که ممکن است ساخته دست بشر باشند (تپه دایره ای، ساختار مستطیلی، خندق/جاده خطی) مشخص می کند.
- حذف. بیشتر نشانه ها طبیعی هستند (زمین شناسی، کشاورزی، مدرن). متخصص آنهایی را که به وضوح طبیعی و مدرن هستند حذف می کند.
- اولویت بندی نقاط نامزد باقی مانده بر اساس زمینه و توزیع سایت شناخته شده اولویت بندی می شوند.
- تایید زمین نقاط اولویت در محل با بررسی سطحی و در صورت لزوم حفاری بررسی می شود. هیچ نقطه ای بدون تایید "نشستن" اعلام نمی شود.
نکته: همیشه نشانههای هوش مصنوعی را بهعنوان «لیستی از نامزدها با نرخ مثبت کاذب بالا» ببینید. هدف، محدود کردن هوشمندانه مکانهای بازدید در میدان است. کشف را اعلام نکنیم کاهش 200 امتیاز زمین به 30 در یک فصل یک سود بزرگ است.
مکان حساس: حریم خصوصی مهم
جدی ترین مسئله اخلاقی و امنیتی در تشخیص سایت، محرمانه بودن مکان است. مختصات دقیق یک سایت تازه شناسایی شده و محافظت نشده هدف مستقیم حفاران غیرقانونی و جویندگان گنج است. بنابراین:
- به وسایل نقلیه عمومی هوش مصنوعی که مختصات دقیق آنها تأیید نشده است، وارد نشوید.
- مکان سایتهای حساس را در پخشها و ارائهها محو کنید (منطقه کلی را بدهید، بدون GPS).
- داده ها را در سیستم امن سازمان نگه دارید و دسترسی را محدود کنید.
توجه: چسباندن مختصات یک سایت در یک سرویس عمومی با گفتن "من فقط می خواهم یک نقشه ترسیم کنم" ممکن است آن سایت را برای غارت باز بگذارد. داده های موقعیت مکانی دارایی است که باید به اندازه خود پیدا محافظت شود.
سه کیف کوچک
مورد 1 - اسکن ناحیه را باریک کرد. یک پروژه پیمایشی منطقه ای به وسعت 500 کیلومتر مربع را بررسی می کند. تجزیه و تحلیل LiDAR مبتنی بر هوش مصنوعی 120 تپه احتمالی را در زیر جنگل مشخص کرد. پس از حذف کارشناسی، 38 نقطه اولویت باقی مانده است. 11 مورد از آنها به عنوان سازه های باستان شناسی واقعی در این زمینه یافت شد. هوش مصنوعی ماه ها جستجوی کور را در یک فصل هدفمند فشرده کرده است.
مورد 2 - مثبت کاذب درس بود. در حالی که یک تیم با هیجان آماده می شد تا یک اسکار دایره ای صاف را که توسط هوش مصنوعی مشخص شده است "تپه" اعلام کند، زمین شناس متخصص نشان داد که این یک فرورفتگی طبیعی (دولین) است. بیانیه ای که بدون تایید زمین انجام می شود می تواند باعث از بین رفتن شهرت شود. درس: هوش مصنوعی هندسه را می بیند، نه تفسیر مبدأ.
مورد 3 - از نشت مکان جلوگیری شد. یک دانش آموز تصویر حاوی مختصات یک سایت تازه پیدا شده را در یک ابزار عمومی آپلود می کند. مشاور ایستاد. منطقه هنوز محافظت نشده بود. تصویر با حذف اطلاعات مختصات و فقط در سیستم امن پردازش شد.
چهار قالب قابل کپی
1) قاب اسکن ناهنجاری:
نقش شما: دستیار تحلیل سنجش از دور. من به شما یک تصویر/داده ارتفاعی از سطح زمین (برگرفته از LiDAR) می دهم. هندسه های صاف (دایره، مستطیل، خطی) را که ممکن است ساخته دست بشر باشد علامت گذاری کنید. برای هر کدام، مکان، قالب و دلیل قابل توجه بودن آن را بنویسید. برای هر علامت، امکان توضیح طبیعی/مدرن را نیز مشخص کنید. «نشستن» قطعی اعلام نکنید.
2) حذف مثبت کاذب:
در زیر لیستی از امتیازات نامزدی است که هوش مصنوعی علامت گذاری کرده است. برای هر کدام، توضیحات طبیعی و مدرن (سازمان زمین شناسی، ردیابی کشاورزی، جاده، پی ساختمان) را که می توانم قبل از بررسی زمین حذف کنم، فهرست کنید. نامزدهای «واقعا مبهم» باقی مانده را جداگانه فهرست کنید.
3) طرح کنترل اراضی:
نقاط نامزد برتر من عبارتند از: [فهرست]. برای هر نقطه، چک لیستی ظاهر میشود که شامل شاخصهایی است که باید هنگام تأیید در میدان (یافتههای سطح، توپوگرافی، رنگ خاک، تراکم سنگ) و قوانین میدانی امن/اخلاقی (مجوز، محرمانه بودن مکان) جستجو کنم.
4) تاری مکان برای پخش:
هنگام تهیه اطلاعات سایت زیر برای یک نشریه/ارائه، پیشنهاد دهید که چگونه می توانم آن را بدون فاش کردن مکان دقیق توصیف کنم: فهرست کنید که چه سطحی از تعمیم (استان/منطقه)، چه اطلاعاتی باید حذف شوند. هدف: تعادل شفافیت علمی و محافظت در برابر فساد.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
آیا در این تصویر ماهواره ای سایت باستانی وجود دارد؟ مختصاتش را بدهید.
هوش مصنوعی میتواند یک رد طبیعی را «نشستن» اعلام کند و در یک مختصات مطمئن قرار بگیرد. این هم از نظر علمی و هم از منظر امنیتی خطرناک است.
اعلان قدرتمند:
نقش شما: دستیار سنجش از دور. علائم هندسی صافی را که ممکن است ساخته دست بشر باشد در این تصویر علامت بزنید. برای هر اثر: (الف) شکل آن، (ب) چرا قابل توجه است، (ج) توضیح جایگزین طبیعی/مدرن. اینها نامزدهایی هستند که فقط در میدان بررسی می شوند. اعلام «نشستن» نکنید. مختصات دقیق را ایجاد کنید، موقعیت نسبی را توصیف کنید.
تفاوت: اولین اکتشاف را اعلام می کند. دومی لیست مطمئنی از نامزدها را ایجاد می کند که باید تأیید شوند.
انواع تصویر و جلوه های فصلی
در سنجش از دور یک تصویر "همیشه" کار نمی کند. برای دیدن مسیر درست شرایط مناسب لازم است. نشانههای محصول در دورههای خشک زمانی که محصول تحت تنش آبی است بهتر ظاهر میشود: خاک بالای دیواره مدفون آب کمتری را در خود نگه میدارد، بنابراین محصول آنجا زود زرد میشود و از بالا به صورت خطی ظاهر میشود. در یک تصویر بهار مرطوب، ممکن است همان اثر به هیچ وجه ظاهر نشود. هنگامی که خاک با رنگ های مختلف پس از شخم زدن زمین به سطح می آید، علائم خاک ظاهر می شود. از سوی دیگر، علائم سایه، برجستگیهای سبک و چالهها را با سایههای بلند در آفتاب کم، صبح یا عصر نشان میدهند. بنابراین باید یک منطقه را نه با یک تصویر، بلکه با تصاویر متعدد در فصول و زمان های مختلف ارزیابی کرد. هوش مصنوعی این مقایسه چند زمانه را تسریع می کند.
مزیت LiDAR این است که تا حد زیادی بر این وابستگی به شرایط غلبه می کند: از آنجایی که مستقیماً توپوگرافی سطح را اندازه گیری می کند، کمتر به فصل پوشش گیاهی وابسته است و می تواند طبقه زیرین جنگل را ببیند. با این حال، هنگام تولید یک "مدل زمین برهنه" در LiDAR، اگر فیلتر گیاهی بیش از حد تهاجمی باشد، می تواند برجستگی های واقعی را پاک کند، و اگر خیلی نرم باشد، می تواند درختان را با ساختار اشتباه بگیرد. این تصمیمات فیلتر نیاز به نظارت متخصص دارد.
نکته: هنگام ارزیابی یک منطقه، بپرسید "در کدام فصل، در چه زمانی و با چه روشی؟" همیشه سوال را بپرسید. اگر در یک تصویر اثری وجود نداشته باشد، به این معنی نیست که هیچ سایتی وجود ندارد. شاید در شرایط اشتباهی به آن نگاه می کنید.
جدول مقایسه روش
روش
آنچه می بیند
سهم هوش مصنوعی
مرز
عکاسی ماهواره ای/هوایی
آثار گیاهی/خاک
اسکن منطقه وسیع
فصل، وضوح
NDVI
تفاوت بنیه گیاه
برجسته سازی اسکار
تفاوت های طبیعی را اشتباه می گیرد
LiDAR
توپوگرافی سطح
هندسه زیرزمینی جنگل
خطاهای فیلتر گیاهی
ژئوفیزیک (GPR/مغناطیسی)
ساختار زیرسطحی
الگوی ناهنجاری
محلی، کند
اشتباهات رایج
- اشتباه گرفتن یک ناهنجاری با یک کشف علامت یک نامزد است. بدون تایید زمین سایت نیست.
- عدم حذف آثار طبیعی/مدرن. دولین ها، زخم های کشاورزی و لوله ها اغلب به عنوان "ساختار" ظاهر می شوند.
- دادن مختصات دقیق به وسیله نقلیه باز. خطر غارت؛ موقعیت مکانی دارایی است که باید محافظت شود.
- تکیه بر یک تصویر واحد. تفسیر بدون فصول مختلف، روش ها و زمین های مختلف ناقص است.
- فراموش کردن نرخ مثبت کاذب بیشتر نشانه ها خالی ظاهر می شوند. این طبیعی است، هدف در حال محدود شدن است.
به طور خلاصه
در سنجش از دور، هوش مصنوعی در اسکن مناطق بزرگ و علامتگذاری مکانهای احتمالی در زمان فوقالعاده صرفهجویی میکند. اما هر نشانه ای فرضیه ای است که باید در میدان تایید شود; آثار طبیعی و مدرن با دقت از بین می روند. و مهمتر از همه، مکان های حساس از غارت محافظت می شوند. هوش مصنوعی می گوید «اینجا را نگاه کن»؛ زمین و کارشناس تصمیم می گیرند که آیا "این مکان محافظت می شود".
وظیفه کاربردی
یک LiDAR یا تصویر ماهواره ای با دسترسی باز (از منطقه خود یا از مجموعه داده های نمونه) انتخاب کنید. هندسه های احتمالی هوش مصنوعی را با الگوی "Anomaly scanning" علامت گذاری کنید، سپس توضیحات طبیعی/مدرن را با الگوی "False positive elimination" حذف کنید. یک طرح کنترل زمین برای کاندیداهای باقیمانده تهیه کنید و یک یادداشت محرمانگی مکان درج کنید.
چک لیست
- [ ] من سیگنال های هوش مصنوعی را "نامزد" می دانستم نه اکتشاف.
- [ ] سعی کردم آثار طبیعی و مدرن را از بین ببرم.
- [ ] من تاییدیه زمین را برای کاندیداهای اولویت برنامه ریزی کرده ام.
- [ ] من مکان های حساس را خارج از وسیله نقلیه باز گذاشتم و آنها را در پخش محو کردم.
- [ ] من در نظر گرفتم که نرخ مثبت کاذب ممکن است بالا باشد.