กำไร:
- ความสามารถในการสแกนหาความผิดปกติในดาวเทียม ภาพถ่ายทางอากาศ และข้อมูล LiDAR ด้วยปัญญาประดิษฐ์ และประเมินแต่ละป้ายในฐานะผู้สมัครที่ต้องการการยืนยันภูมิประเทศ
- ทำความเข้าใจการพึ่งพาอาศัยพืช ดิน และเงาตามฤดูกาลและตามเงื่อนไข และวิธีกำจัดผลบวกลวงทั้งทางธรรมชาติและสมัยใหม่
- ความสามารถในการใช้สาเหตุที่ตำแหน่งไซต์ที่ละเอียดอ่อนควรได้รับการปกป้องจากการปล้นและเบลอในการออกอากาศ
พัฒนาการที่น่าตื่นเต้นที่สุดอย่างหนึ่งในโบราณคดีคือความสามารถในการมองเห็นร่องรอยใต้ดินและบนพื้นผิวโดยไม่ต้องขุดดิน การสำรวจระยะไกล (วิธีการตรวจสอบพื้นที่ด้วยภาพถ่ายดาวเทียม เครื่องบิน หรือโดรนโดยไม่ต้องสัมผัสทางกายภาพ) เป็นเครื่องมือที่ทรงพลังที่สุดในการสแกนพื้นที่ขนาดใหญ่และตรวจจับสถานที่ที่เป็นไปได้ (สถานที่ที่มีซากโบราณสถาน) ในหน่วยนี้ เราจะเรียนรู้ว่า AI ทำเครื่องหมายความผิดปกติ (รอยทางที่แตกต่างจากสภาพแวดล้อมซึ่งอาจเป็นฝีมือมนุษย์) ได้อย่างไรในภาพถ่ายดาวเทียม ภาพถ่ายทางอากาศ และข้อมูล LiDAR แต่ทำไมแต่ละเครื่องหมายจึงต้องได้รับการยืนยันในภาคสนาม
หลักการพื้นฐาน: AI เป็นตัวช่วยสแกนและชี้ที่บอกว่า "ดูที่นี่" ในพื้นที่กว้าง "นี่คือสถานที่จริงๆ" การตัดสินใจเกิดขึ้นจากการควบคุมที่ดินและผู้เชี่ยวชาญ ในการสำรวจระยะไกล ทุกจุดที่ AI ทำเครื่องหมายไว้เป็นเพียงสมมติฐาน ไม่ใช่การค้นพบ
ประเภทของการสำรวจระยะไกล
การถ่ายภาพดาวเทียมและทางอากาศ โครงสร้างที่ถูกฝังไว้นำไปสู่การเจริญเติบโตที่แตกต่างกันของดินและพืชพรรณที่อยู่ด้านบน พืชผลบนผนังอ่อนแอกว่า บนคูน้ำจะมีพุ่มไม้มากกว่า สิ่งเหล่านี้เรียกว่าเครื่องหมายครอบตัด NDVI (ดัชนีที่วัดสุขภาพของพืช โดยวัดปริมาณความมีชีวิตชีวาของพืชโดยใช้แสงอินฟราเรด) เน้นความแตกต่างเหล่านี้ AI สแกนความแตกต่างเล็กๆ น้อยๆ เหล่านี้ในภาพขนาดใหญ่ได้เร็วกว่ามนุษย์
ลิดาร์. LiDAR (Light Detection and Ranging — เทคโนโลยีที่สร้างแผนที่ระดับความสูง 3 มิติที่แม่นยำมากของพื้นผิวโดยการยิงเลเซอร์จากเครื่องบินลงสู่พื้นและวัดเวลากลับ) เป็นเครื่องมือที่ปฏิวัติวงการที่สุด คุณลักษณะของมันคือเลเซอร์สามารถเข้าถึงพื้นผ่านต้นไม้ได้ ดังนั้นเนินดิน ระเบียง ถนน และฐานรากของอาคารใต้ป่าจึงถูกเปิดเผยเมื่อพืชพรรณถูก "ปอกเปลือก" เป็นตัวเลข AI ทำเครื่องหมายการกระแทก หลุม และรูปทรงเรขาคณิตที่ราบเรียบในข้อมูลระดับความสูงนี้
ธรณีฟิสิกส์ (เสริม) วิธีการต่างๆ เช่น เรดาร์เจาะภาคพื้นดิน (GPR) และการสำรวจสนามแม่เหล็กจะมองเห็นได้เพียงด้านล่างพื้นผิว AI ช่วยค้นหารูปแบบความผิดปกติในข้อมูลนี้เช่นกัน
ขั้นตอนการตรวจจับไซต์ด้วย AI
- การเตรียมข้อมูล รูปภาพได้รับการติดตั้งเข้ากับระบบพิกัด (การอ้างอิงทางภูมิศาสตร์) เงาและคอนทราสต์ได้รับการแก้ไขแล้ว ใน LiDAR พืชพรรณจะถูกกรองออกและสร้าง "แบบจำลองพื้นดินเปล่า"
- การสแกนความผิดปกติ AI ทำเครื่องหมายรูปทรงเรขาคณิตที่ราบรื่นซึ่งอาจมนุษย์สร้างขึ้น (เนินวงกลม โครงสร้างสี่เหลี่ยม คูน้ำเชิงเส้น/ถนน)
- การกำจัด สัญญาณส่วนใหญ่เป็นไปตามธรรมชาติ (ทางธรณีวิทยา เกษตรกรรม สมัยใหม่) ผู้เชี่ยวชาญจะขจัดสิ่งที่เป็นธรรมชาติและทันสมัยออกไปอย่างชัดเจน
- การจัดลำดับความสำคัญ คะแนนผู้สมัครที่เหลือจะถูกจัดลำดับความสำคัญตามบริบทและการกระจายไซต์ที่รู้จัก
- การยืนยันที่ดิน ลำดับความสำคัญจะได้รับการตรวจสอบ ณ สถานที่โดยการสำรวจพื้นผิว และการขุดเจาะ หากจำเป็น ไม่มีประเด็นใดที่จะประกาศว่า "นั่ง" โดยไม่มีการยืนยัน
เคล็ดลับ: มองสัญญาณของ AI เสมอว่าเป็น “รายชื่อผู้สมัครที่มีอัตราผลบวกลวงสูง” จุดมุ่งหมายคือการจำกัดสถานที่ท่องเที่ยวในพื้นที่ให้แคบลงอย่างชาญฉลาด ไม่ใช่เพื่อประกาศการค้นพบ การลดคะแนนแผ่นดิน 200 คะแนนเหลือ 30 คะแนนในหนึ่งฤดูกาลถือเป็นกำไรที่ยิ่งใหญ่
สถานที่ที่ละเอียดอ่อน: ความเป็นส่วนตัวที่สำคัญ
ปัญหาด้านจริยธรรมและความปลอดภัยที่ร้ายแรงที่สุดในการตรวจจับสถานที่คือการรักษาความลับของสถานที่ พิกัดที่แม่นยำของสถานที่ที่เพิ่งระบุใหม่และไม่มีการป้องกันเป็นเป้าหมายโดยตรงสำหรับผู้ขุดและผู้แสวงหาสมบัติที่ผิดกฎหมาย ดังนั้น:
- ห้ามเข้าไปในยานพาหนะ AI สาธารณะที่พิกัดที่แน่นอนยังไม่ได้รับการยืนยัน
- เบลอตำแหน่งของไซต์ที่มีความละเอียดอ่อนในการออกอากาศและการนำเสนอ (ให้พื้นที่ทั่วไป ไม่มี GPS)
- เก็บข้อมูลไว้ในระบบที่ปลอดภัยขององค์กรและจำกัดการเข้าถึง
ข้อควรสนใจ: การวางพิกัดของไซต์ลงในบริการสาธารณะโดยบอกว่า "ฉันจะวาดแผนที่" อาจทำให้ไซต์นั้นเปิดช่องให้ถูกปล้นได้ ข้อมูลตำแหน่งเป็นทรัพย์สินที่ต้องได้รับการปกป้องมากเท่ากับการค้นหาตัวเอง
มินิเคสสามอัน
กรณีที่ 1 — การสแกนทำให้พื้นที่แคบลง โครงการสำรวจจะสำรวจพื้นที่ 500 ตารางกิโลเมตร การวิเคราะห์ LiDAR ที่ขับเคลื่อนด้วย AI ระบุเนินดินที่เป็นไปได้ 120 แห่งใต้ป่า หลังจากการคัดออกโดยผู้เชี่ยวชาญ จะยังมีลำดับความสำคัญ 38 ประการ 11 แห่งนี้ถูกค้นพบว่าเป็นโครงสร้างทางโบราณคดีของจริงในสนาม AI ได้รวมการค้นหาแบบซ่อนเร้นเป็นเวลาหลายเดือนให้เข้าสู่ฤดูกาลเป้าหมาย
กรณีที่ 2 — ผลบวกลวงคือบทเรียน ในขณะที่ทีมงานกำลังเตรียมประกาศรอยแผลเป็นวงกลมเรียบๆ ที่ AI ระบุว่าเป็น "เนินดิน" อย่างตื่นเต้น นักธรณีวิทยาผู้เชี่ยวชาญได้แสดงให้เห็นว่ามันเป็นรอยยุบตามธรรมชาติ (โดลิน) การแถลงโดยไม่มีการยืนยันที่ดินอาจทำให้เสียชื่อเสียงได้ บทเรียน: AI เห็นเรขาคณิต ไม่ใช่การตีความแหล่งกำเนิด
กรณีที่ 3 — ตำแหน่งที่ป้องกันการรั่วไหล นักเรียนจะอัปโหลดภาพที่มีพิกัดของไซต์ที่เพิ่งค้นพบไปยังเครื่องมือสาธารณะ ที่ปรึกษาหยุด พื้นที่ดังกล่าวยังไม่มีการป้องกัน รูปภาพได้รับการประมวลผลโดยลบข้อมูลพิกัดออกและอยู่ในระบบที่ปลอดภัยเท่านั้น
เทมเพลตที่สามารถคัดลอกได้สี่แบบ
1) กรอบการสแกนความผิดปกติ:
บทบาทของคุณ: ผู้ช่วยวิเคราะห์การสำรวจระยะไกล ฉันจะให้รูปภาพ/ข้อมูลระดับความสูงแบบเปลือยเปล่า (มาจาก LiDAR) แก่คุณ ทำเครื่องหมายรูปทรงเรียบๆ (วงกลม สี่เหลี่ยม เชิงเส้น) ที่อาจมนุษย์สร้างขึ้น ให้จดตำแหน่ง รูปแบบ และเหตุใดจึงมีความโดดเด่นสำหรับแต่ละรายการ สำหรับแต่ละสัญลักษณ์ ให้ระบุความเป็นไปได้ของคำอธิบายที่เป็นธรรมชาติ/สมัยใหม่ด้วย อย่าประกาศขั้นสุดท้ายว่า "นั่ง"
2) การกำจัดผลบวกลวง:
ด้านล่างนี้คือรายการคะแนนผู้สมัครที่ AI ทำเครื่องหมายไว้ สำหรับแต่ละรายการ ให้ระบุคำอธิบายที่เป็นธรรมชาติและสมัยใหม่ (การก่อตัวทางธรณีวิทยา ร่องรอยทางการเกษตร ถนน รากฐานของอาคาร) ที่ฉันสามารถกำจัดได้ก่อนการตรวจสอบภูมิประเทศ แยกรายชื่อผู้สมัครที่ "คลุมเครือจริงๆ" ที่เหลือแยกกัน
3) แผนการควบคุมที่ดิน:
ตำแหน่งผู้สมัครอันดับต้นๆ ของฉันคือ: [รายการ] สำหรับแต่ละจุด รายการตรวจสอบจะปรากฏขึ้นพร้อมตัวบ่งชี้ที่ฉันควรมองหาเมื่อยืนยันในภาคสนาม (การค้นพบพื้นผิว ภูมิประเทศ สีดิน ความหนาแน่นของหิน) และกฎความปลอดภัย/จริยธรรมของสนาม (การอนุญาต การรักษาความลับของสถานที่)
4) การเบลอตำแหน่งสำหรับการออกอากาศ:
เมื่อเตรียมข้อมูลไซต์ต่อไปนี้สำหรับการตีพิมพ์/การนำเสนอ ให้แนะนำว่าฉันจะอธิบายอย่างไรโดยไม่เปิดเผยตำแหน่งที่แน่นอน: ระบุระดับของลักษณะทั่วไป (จังหวัด/ภูมิภาค) ข้อมูลใดที่ควรละเว้น เป้าหมาย: ความสมดุลของความโปร่งใสทางวิทยาศาสตร์และการป้องกันการเน่าเสีย
พรอมต์อ่อน / พรอมต์แรง
พรอมต์ที่อ่อนแอ:
มีแหล่งโบราณคดีในภาพดาวเทียมนี้หรือไม่ ให้พิกัดของมัน
AI สามารถประกาศร่องรอยตามธรรมชาติว่า “นั่ง” และปรับให้เข้ากับการประสานงานที่มั่นใจได้ สิ่งนี้เป็นอันตรายทั้งจากมุมมองทางวิทยาศาสตร์และด้านความปลอดภัย
พรอมต์อันทรงพลัง:
บทบาทของคุณ: ผู้ช่วยการสำรวจระยะไกล ทำเครื่องหมายเครื่องหมายทางเรขาคณิตเรียบๆ ที่อาจมนุษย์สร้างขึ้นในภาพนี้ สำหรับแต่ละร่องรอย: (ก) รูปร่างของมัน (ข) เหตุใดจึงน่าทึ่ง (ค) คำอธิบายทางเลือกที่เป็นธรรมชาติ/สมัยใหม่ ผู้สมัครเหล่านี้จะต้องตรวจสอบในสนามเท่านั้น อย่าประกาศ "นั่ง" สร้างพิกัดที่แน่นอน อธิบายตำแหน่งสัมพัทธ์
ความแตกต่าง: ครั้งแรกที่ประกาศการค้นพบ; ส่วนหลังจะสร้างรายชื่อผู้สมัครที่ปลอดภัยเพื่อตรวจสอบ
ประเภทรูปภาพและเอฟเฟกต์ตามฤดูกาล
ในการสำรวจระยะไกล รูปภาพจะไม่ทำงาน "เสมอไป"; ต้องใช้เงื่อนไขที่เหมาะสมเพื่อดูเส้นทางที่ถูกต้อง เครื่องหมายครอบตัดจะปรากฏได้ดีที่สุดในช่วงฤดูแล้งเมื่อพืชอยู่ภายใต้ความเครียดจากน้ำ: ดินเหนือกำแพงที่ฝังไว้จะกักเก็บน้ำได้น้อย ดังนั้นพืชผลจะเปลี่ยนเป็นสีเหลืองในช่วงต้นและปรากฏเป็นเส้นเมื่อมองจากด้านบน ในภาพฤดูใบไม้ผลิที่มีความชื้น ร่องรอยเดียวกันอาจไม่ปรากฏเลย รอยดินจะปรากฏขึ้นเมื่อมีดินที่มีสีต่างกันขึ้นมาบนผิวน้ำหลังจากไถนาแล้ว ในทางกลับกัน รอยเงาเผยให้เห็นรอยนูนและหลุมบ่อที่มีเงายาวในแสงแดดน้อยในตอนเช้าหรือตอนเย็น ดังนั้นจึงจำเป็นต้องประเมินพื้นที่ไม่ใช่ด้วยภาพเดียว แต่ด้วยภาพจำนวนมากในฤดูกาลและเวลาที่ต่างกัน AI เร่งการเปรียบเทียบหลายเวลานี้
ข้อได้เปรียบของ LiDAR ก็คือ สามารถเอาชนะการพึ่งพาเงื่อนไขนี้ได้เป็นส่วนใหญ่ เนื่องจากเนื่องจากสามารถวัดภูมิประเทศของพื้นผิวได้โดยตรง จึงขึ้นอยู่กับฤดูกาลของพืชพรรณน้อยลง และสามารถมองเห็นพื้นป่าได้ อย่างไรก็ตาม เมื่อผลิต "แบบจำลองพื้นดินเปล่า" ใน LiDAR หากตัวกรองพืชรุนแรงเกินไป ก็สามารถลบการกระแทกที่แท้จริงได้ และหากอ่อนเกินไป ก็อาจทำให้เข้าใจผิดว่าต้นไม้เป็นโครงสร้างได้ การตัดสินใจกรองเหล่านี้จำเป็นต้องมีการดูแลจากผู้เชี่ยวชาญ
เคล็ดลับ: เมื่อจะประเมินพื้นที่ ให้ถามว่า “ฤดูกาลไหน เวลาไหน และด้วยวิธีใด” ถามคำถามอยู่เสมอ หากไม่มีร่องรอยในภาพเดียว ก็ไม่ได้หมายความว่าไม่มีไซต์ บางทีคุณอาจมองว่ามันอยู่ในสภาพที่ผิด
ตารางเปรียบเทียบวิธีการ
วิธีการ
สิ่งที่เห็น
การมีส่วนร่วมของเอไอ
ชายแดน
การถ่ายภาพดาวเทียม/ทางอากาศ
ร่องรอยพืช/ดิน
การสแกนพื้นที่กว้าง
ฤดูกาล ความละเอียด
เอ็นดีวีไอ
ความแตกต่างของความแข็งแรงของพืช
ไฮไลท์รอยแผลเป็น
สร้างความสับสนให้กับความแตกต่างทางธรรมชาติ
ลิดาร์
ภูมิประเทศพื้นผิว
เรขาคณิตพื้นป่า
ข้อผิดพลาดของตัวกรองพืช
ธรณีฟิสิกส์ (GPR/แม่เหล็ก)
โครงสร้างใต้ผิวดิน
รูปแบบที่ผิดปกติ
ท้องถิ่นช้า
ข้อผิดพลาดทั่วไป
- ความผิดพลาดในการค้นพบ ป้ายคือผู้สมัคร; หากไม่มีการยืนยันที่ดินก็จะไม่ใช่สถานที่
- ไม่ขจัดร่องรอยทางธรรมชาติ/สมัยใหม่ โดลิน รอยแผลเป็นจากการเกษตร และท่อ มักปรากฏเป็น "โครงสร้าง"
- ให้พิกัดที่แน่นอนกับรถเปิด เสี่ยงต่อการถูกปล้น; ที่ตั้งเป็นทรัพย์สินที่ต้องปกป้อง
- พึ่งเห็นรูปเดียว.. การตีความจะไม่สมบูรณ์หากไม่มีฤดูกาล วิธีการ และภูมิประเทศที่แตกต่างกัน
- ลืมอัตราผลบวกลวง ป้ายส่วนใหญ่ว่างเปล่า นี่เป็นเรื่องปกติ จุดประสงค์ก็แคบลง
โดยสรุป
ในการสำรวจระยะไกล AI ช่วยประหยัดเวลาได้อย่างมากในการสแกนพื้นที่ขนาดใหญ่และทำเครื่องหมายไซต์ที่เป็นไปได้ But every sign is a hypothesis that must be confirmed in the field; ร่องรอยทางธรรมชาติและสมัยใหม่ถูกกำจัดอย่างระมัดระวัง และที่สำคัญที่สุด สถานที่ที่ละเอียดอ่อนได้รับการปกป้องจากการปล้นสะดม AI บอกว่า “ดูนี่สิ”; ที่ดินและผู้เชี่ยวชาญตัดสินใจว่า "สถานที่แห่งนี้ได้รับการคุ้มครอง" หรือไม่
งานสมัคร
เลือก LiDAR หรือภาพถ่ายดาวเทียมที่เข้าถึงได้แบบเปิด (จากภูมิภาคของคุณเองหรือจากชุดข้อมูลตัวอย่าง) ให้ AI ระบุรูปทรงเรขาคณิตที่เป็นไปได้ด้วยเทมเพลต "การสแกนความผิดปกติ" จากนั้นกำจัดคำอธิบายที่เป็นธรรมชาติ/สมัยใหม่ด้วยเทมเพลต "การกำจัดผลบวกที่ผิดพลาด" ร่างแผนการควบคุมที่ดินสำหรับผู้สมัครที่เหลือและรวมบันทึกการรักษาความลับของสถานที่
รายการตรวจสอบ
- [ ] ฉันถือว่าสัญญาณ AI นั้นเป็น "ผู้สมัคร" ไม่ใช่การค้นพบ
- [ ] ฉันพยายามกำจัดร่องรอยทางธรรมชาติและสมัยใหม่
- [ ] ฉันได้วางแผนการยืนยันที่ดินสำหรับผู้สมัครที่มีลำดับความสำคัญสูง
- [ ] ฉันทิ้งสถานที่ที่มีความละเอียดอ่อนออกจากยานพาหนะที่เปิดโล่ง และเบลอสถานที่เหล่านั้นในการออกอากาศ
- [ ] ฉันคำนึงว่าอัตราผลบวกลวงอาจสูง