Fjernmåling og stedsdeteksjon: satellitt, luftfotografering og LiDAR

Gevinster:

• Evne til å skanne etter uregelmessigheter i satellitt-, flyfotografering og LiDAR-data med kunstig intelligens og vurdere hvert skilt som en kandidat som krever terrengbekreftelse
• Forstå den sesongmessige og betingede avhengigheten av plante-, jord- og skyggespor og hvordan naturlige/moderne falske positiver elimineres.
• Evne til å bruke hvorfor sensitive plasseringer skal beskyttes mot plyndring og uskarpes i kringkasting

En av de mest spennende utviklingene innen arkeologi er evnen til å se spor under jorden og på overflaten uten å grave i bakken. Fjernmåling (en metode for å undersøke et område med satellitt-, fly- eller dronebilder uten å fysisk berøre det) er det kraftigste verktøyet for å skanne store områder og oppdage mulige steder (steder som inneholder arkeologiske levninger). I denne enheten skal vi lære hvordan AI merker anomalier (spor som skiller seg fra omgivelsene, som kan være menneskeskapte) i satellittbilder, flyfoto og LiDAR-data, men hvorfor hvert merke må bekreftes i felten.

Grunnprinsipp: AI er en skanne- og pekeassistent som sier «se her» i et stort område; "Dette er virkelig et nettsted"-avgjørelsen er tatt av landkontrollen og eksperten. I fjernmåling er hvert punkt merket med AI en hypotese, ikke en oppdagelse.

Typer fjernmåling

Satellitt- og flyfotografering. Nedgravde strukturer fører til differensiell vekst av jorda og vegetasjonen over dem. Avlingen på en vegg er svakere, på en grøft er den buskete; Disse kalles skjæremerker. NDVI (en indeks som måler helsen til vegetasjonen; den kvantifiserer plantevitalitet ved bruk av infrarødt lys) fremhever disse forskjellene. AI skanner disse subtile forskjellene i store bilder raskere enn et menneske.

LiDAR. LiDAR (Light Detection and Ranging — teknologi som lager et veldig presist 3D-høydekart av overflaten ved å skyte en laser fra et fly til bakken og måle returtiden) er det mest revolusjonerende verktøyet. Dens funksjon er at laseren kan nå bakken gjennom trær; Dermed avdekkes hauger, terrasser, veier og bygningsfundamenter under skogen når vegetasjonen tallmessig «skales». AI markerer støt, groper og jevne geometriske former i disse høydedataene.

Geofysikk (tillegg). Metoder som jordpenetrerende radar (GPR) og magnetisk oppmåling ser rett under overflaten; AI hjelper også med å se etter anomalimønstre i disse dataene.

Stedsdeteksjonstrinn med AI

1. Dataforberedelse. Bilder tilpasses koordinatsystemet (georeferering), skygge og kontrast korrigeres. I LiDAR filtreres vegetasjon ut og det produseres en «barmarksmodell».
2. Uregelmessig skanning. AI markerer glatte geometrier som kan være menneskeskapte (sirkulær haug, rektangulær struktur, lineær grøft/vei).
3. Eliminering. De fleste skiltene er naturlige (geologiske, landbruksmessige, moderne). Eksperten eliminerer de som er klart naturlige og moderne.
4. Prioritering. De resterende kandidatpoengene er prioritert etter kontekst og kjent områdefordeling.
5. Jordbekreftelse. Prioriterte punkter kontrolleres på stedet ved overflateundersøkelse og ved behov boring. Ingen poeng erklæres "sitte" uten bekreftelse.

Tips: Se alltid tegn på AI som "en liste over kandidater med høy falsk positiv rate." Målet er å intelligent begrense stedene å besøke i feltet; ikke å kunngjøre funnet. Å redusere 200 landpoeng til 30 på en sesong er en stor gevinst.

Følsom plassering: kritisk personvern

Det mest alvorlige etiske og sikkerhetsproblemet ved stedsdeteksjon er konfidensialitet for plassering. De nøyaktige koordinatene til et nylig identifisert, ubeskyttet sted er et direkte mål for ulovlige gravere og skattesøkere. Derfor:

• Ikke gå inn i offentlige AI-kjøretøyer hvis eksakte koordinater ikke er bekreftet.
• Uskarp plasseringen av sensitive nettsteder i sendinger og presentasjoner (gi generelt område, ingen GPS).
• Hold data i organisasjonens sikre system og begrens tilgangen.

Oppmerksomhet: Hvis du limer inn koordinatene til et nettsted i en offentlig tjeneste som sier "Jeg skal bare tegne et kart", kan det være at nettstedet er åpent for plyndring. Stedsdata er en ressurs som må beskyttes like mye som selve funnet.

tre minisaker

Tilfelle 1 — Skanningen innsnevret området. Et undersøkelsesprosjekt vil kartlegge et område på 500 km². AI-drevet LiDAR-analyse markerte 120 mulige hauger under skogen. Etter eksperteliminering gjenstår 38 prioriterte plasser; 11 av disse ble funnet å være ekte arkeologiske strukturer i felten. AI har komprimert måneder med blind søk til en målrettet sesong.

Tilfelle 2 — Falsk positiv var leksjonen. Mens et team i spenning forberedte seg på å erklære et jevnt sirkulært arr merket av AI for en "haug", viste ekspertgeologen at det var en naturlig depresjon (dolin). En uttalelse uten landbekreftelse kan være et omdømmetap. Leksjon: AI ser geometri, ikke tolkning av opprinnelse.

Tilfelle 3 — Plasseringslekkasje forhindret. En student vil laste opp bildet som inneholder koordinatene til et nylig funnet nettsted til et offentlig verktøy. Rådgiveren stoppet; området var fortsatt ubeskyttet. Bildet ble behandlet med koordinatinformasjon fjernet og kun i det sikre systemet.

Fire kopierbare maler

1) Anomali skanningsramme:

Din rolle: fjernmålingsanalyseassistent. Jeg vil gi deg et barmark (LiDAR-avledet) høydebilde/data. Merk glatte geometrier (sirkulære, rektangulære, lineære) som KAN være menneskeskapte; For hver, skriv ned plasseringen, formatet og hvorfor det er bemerkelsesverdig. For hvert tegn, angi også muligheten for en naturlig/moderne forklaring. Ikke erklær en definitiv "sitte".

2) Falsk positiv eliminering:

Nedenfor er listen over kandidatpoeng som AI har merket. For hver, liste opp naturlige og moderne forklaringer (geologisk formasjon, jordbruksspor, vei, bygningsfundament) som jeg kan eliminere FØR terrengsjekken. List opp de gjenværende "virkelig vage" kandidatene separat.

3) Arealplan:

Mine toppkandidatplasser er: [liste]. For hvert punkt dukker det opp en sjekkliste som inneholder indikatorene jeg bør se etter ved bekreftelse i felt (overflatefunn, topografi, jordfarge, steintetthet) og sikre/etiske feltregler (tillatelse, lokasjonskonfidensialitet).

4) Plasseringsuskarphet for kringkasting:

Når du forbereder følgende nettstedsinformasjon for en publikasjon/presentasjon, foreslå hvordan jeg kan beskrive den UTEN å avsløre den nøyaktige plasseringen: oppgi hvilket generaliseringsnivå (provins/region), hvilken informasjon som bør utelates. Målet: en balanse mellom vitenskapelig åpenhet og beskyttelse mot ødeleggelse.

Svak forespørsel / Sterk forespørsel

Svak melding:

Er det et arkeologisk sted i dette satellittbildet? Gi dens koordinater.

AI kan erklære et naturlig spor som en "sitte" og passe til en sikker koordinat; Dette er farlig både fra et vitenskapelig og et sikkerhetsperspektiv.

Kraftig ledetekst:

Din rolle: fjernmålingsassistent. Merk de glatte geometriske merkene som KAN være menneskeskapte i dette bildet. For hvert spor: (a) dets form, (b) hvorfor det er bemerkelsesverdig, (c) naturlig/moderne alternativ forklaring. Dette er kandidater som kun skal sjekkes PÅ FELTEN; ikke erklær en "sitte". Generer nøyaktige koordinater, beskriv relativ posisjon.

Forskjell: den første gjør oppdagelsen erklært; sistnevnte produserer en sikker liste over kandidater som skal verifiseres.

Bildetyper og sesongeffekter

Ved fjernmåling fungerer ikke et bilde "alltid"; Det krever riktig tilstand for å se rett spor. Avlingsmerker vises best i tørre perioder når avlingen er under vannstress: Jorden over en nedgravd vegg holder på mindre vann, så avlingen der gulner tidlig og fremstår som en linje ovenfra. I et fuktig vårbilde vises kanskje ikke det samme sporet i det hele tatt. Jordmerker vises når forskjellig farget jord kommer til overflaten etter at åkeren er pløyd. Skyggemerker avslører derimot lette kuler og jettegryter med lange skygger i lav sol, om morgenen eller kvelden. Derfor er det nødvendig å vurdere et område ikke med et enkelt bilde, men med mange bilder i forskjellige årstider og tider; AI akselererer denne multi-time sammenligningen.

Fordelen med LiDAR er at den i stor grad overvinner denne tilstandsavhengigheten: siden den direkte måler overflatetopografi, er den mindre avhengig av vegetasjonssesongen og kan se skogunderlaget. Men når du produserer en "barmarksmodell" i LiDAR, hvis plantefilteret er for aggressivt, kan det slette de virkelige ujevnhetene, og hvis det er for mykt, kan det forveksle trærne med strukturer; Disse filterbeslutningene krever eksperttilsyn.

Tips: Når du vurderer et område, spør "i hvilken årstid, på hvilket tidspunkt og med hvilken metode?" Still alltid spørsmålet. Hvis det ikke er spor i et enkelt bilde, betyr det ikke at det ikke er noe sted; Kanskje du ser på den i feil tilstand.

Metodesammenligningstabell

Metode

det som ser

Bidrag av AI

grense

Satellitt/flyfotografering

Plante-/jordspor

Skanning med stort område

sesong, oppløsning

NDVI

Plantekraftforskjell

Utheving av arr

Forvirrer naturlige forskjeller

LiDAR

overflatetopografi

skogunderlags geometri

Plantefilterfeil

Geofysikk (GPR/magnetisk)

struktur under overflaten

Anomali mønster

lokal, sakte

Vanlige feil

• Forveksler en anomali med en oppdagelse. Skiltet er en kandidat; Uten landbekreftelse er det ikke et nettsted.
• Ikke eliminerer naturlige/moderne spor. Dolins, landbruksarr og rør vises ofte som "strukturer".
• Gir den nøyaktige koordinaten til det åpne kjøretøyet. Risiko for plyndring; Plassering er en ressurs som må beskyttes.
• Stoler på ett enkelt bilde. Tolking er ufullstendig uten ulike årstider, ulike metoder og terreng.
• Å glemme den falske positive raten. De fleste skiltene kommer opp tomme; Dette er normalt, hensikten er smalere.

Oppsummert

Ved fjernmåling sparer AI enorm tid på å skanne store områder og merke mulige steder. Men hvert tegn er en hypotese som må bekreftes i felten; naturlige og moderne spor er nøye eliminert; og viktigst av alt, sensitive steder er beskyttet mot plyndring. AI sier "se her"; Landet og den sakkyndige avgjør om «dette stedet er fredet».

Søknadsoppgave

Velg et LiDAR- eller satellittbilde med åpen tilgang (fra din egen region eller fra et eksempeldatasett). La AI-flagget mulige geometrier med malen "Anomaly scanning", og eliminer deretter naturlige/moderne forklaringer med malen "Falsk positiv eliminering". Lag en plan for arealkontroll for de gjenværende kandidatene og inkluder et konfidensialitetsmerknad.

sjekkliste

• [ ] Jeg anså AI-signalene for å være "kandidater", ikke oppdagelser.
• [ ] Jeg prøvde å eliminere naturlige og moderne spor.
• [ ] Jeg har planlagt jordekonfirmasjon for prioriterte kandidater.
• [ ] Jeg la de sensitive stedene ut av det åpne kjøretøyet og gjorde dem uskarpe i sendingen.
• [ ] Jeg tok hensyn til at den falske positive raten kan være høy.