Mga nadagdag:
- Kakayahang mag-scan para sa mga anomalya sa satellite, aerial photography at LiDAR data gamit ang artificial intelligence at suriin ang bawat sign bilang isang kandidato na nangangailangan ng kumpirmasyon ng terrain
- Pag-unawa sa seasonal at conditional na pagdepende ng mga bakas ng halaman, lupa at anino at kung paano inaalis ang mga natural/modernong false positive.
- Kakayahang ilapat kung bakit dapat protektahan ang mga sensitibong lokasyon ng site laban sa pandarambong at malabo sa broadcast
Ang isa sa mga pinaka kapana-panabik na pag-unlad sa arkeolohiya ay ang kakayahang makakita ng mga bakas sa ilalim ng lupa at sa ibabaw nang hindi naghuhukay sa lupa. Ang remote sensing (isang paraan ng pagsusuri sa isang lugar na may satellite, sasakyang panghimpapawid o drone na mga imahe nang hindi pisikal na nahawakan ito) ay ang pinakamakapangyarihang tool para sa pag-scan ng malalaking lugar at pag-detect ng mga posibleng site (mga lugar na naglalaman ng mga archaeological remains). Sa unit na ito, malalaman natin kung paano minarkahan ng AI ang mga anomalya (mga track na naiiba sa paligid nito, na maaaring gawa ng tao) sa mga satellite image, aerial photographs at data ng LiDAR, ngunit bakit kailangang kumpirmahin ang bawat marka sa field.
Pangunahing prinsipyo: Ang AI ay isang katulong sa pag-scan at pagturo na nagsasabing "tumingin dito" sa isang malawak na lugar; "Ito ay talagang isang site" na desisyon ay ginawa ng kontrol sa lupa at ng eksperto. Sa remote sensing, ang bawat puntong minarkahan ng AI ay isang hypothesis, hindi isang pagtuklas.
Mga uri ng remote sensing
Satellite at aerial photography. Ang mga nakabaon na istruktura ay humahantong sa pagkakaiba-iba ng paglaki ng lupa at mga halaman sa itaas ng mga ito. Ang pananim sa isang pader ay mas mahina, sa isang kanal ito ay mas bushier; Ang mga ito ay tinatawag na crop marks. Ang NDVI (isang index na sumusukat sa kalusugan ng mga halaman; binibilang nito ang sigla ng halaman gamit ang infrared na ilaw) ay nagha-highlight sa mga pagkakaibang ito. Ini-scan ng AI ang mga banayad na pagkakaiba na ito sa malalaking larawan nang mas mabilis kaysa sa isang tao.
LiDAR. Ang LiDAR (Light Detection and Ranging — teknolohiya na lumilikha ng napakatumpak na 3D elevation map ng ibabaw sa pamamagitan ng pagbaril ng laser mula sa isang sasakyang panghimpapawid patungo sa lupa at pagsukat sa oras ng pagbabalik) ay ang pinaka-rebolusyonaryong tool. Ang tampok nito ay ang laser ay maaaring maabot ang lupa sa pamamagitan ng mga puno; Kaya't ang mga punso, terrace, kalsada at mga pundasyon ng gusali sa ilalim ng kagubatan ay nabubunyag kapag ang mga halaman ay "binalatan" ayon sa numero. Ang AI ay nagmamarka ng mga bump, pit at makinis na geometric na hugis sa data ng elevation na ito.
Geophysics (pandagdag). Ang mga pamamaraan tulad ng ground penetrating radar (GPR) at magnetic surveying ay makikita sa ibaba lamang ng ibabaw; Tumutulong din ang AI na maghanap ng mga pattern ng anomalya sa data na ito.
Mga hakbang sa pag-detect ng site gamit ang AI
- Paghahanda ng datos. Ang mga imahe ay nilagyan ng coordinate system (georeferencing), anino at contrast ay itinatama. Sa LiDAR, sinasala ang mga halaman at gumawa ng "modelo ng hubad na lupa".
- Pag-scan ng anomalya. Ang AI ay nagmamarka ng mga makinis na geometries na maaaring gawa ng tao (circular mound, rectangular structure, linear ditch/road).
- Pag-aalis. Karamihan sa mga palatandaan ay natural (geological, agrikultura, moderno). Tinatanggal ng eksperto ang mga malinaw na natural at moderno.
- Priyoridad. Ang natitirang mga puntos ng kandidato ay binibigyang-priyoridad ng konteksto at kilalang pamamahagi ng site.
- Pagkumpirma ng lupa. Ang mga priority point ay sinusuri sa site sa pamamagitan ng survey sa ibabaw at, kung kinakailangan, pagbabarena. Walang punto ang idineklara na "umupo" nang walang kumpirmasyon.
Tip: Palaging tingnan ang mga palatandaan ng AI bilang "isang listahan ng mga kandidato na may mataas na false positive rate." Ang layunin ay upang intelligently paliitin ang mga lugar upang bisitahin sa field; hindi para ipahayag ang natuklasan. Malaking pakinabang ang pagbabawas ng 200 land point sa 30 sa isang season.
Sensitibong lokasyon: kritikal na privacy
Ang pinakaseryosong isyu sa etika at seguridad sa pagtukoy ng site ay ang pagiging kumpidensyal ng lokasyon. Ang mga tumpak na coordinate ng isang bagong natukoy at hindi protektadong site ay isang direktang target para sa mga ilegal na naghuhukay at naghahanap ng kayamanan. Samakatuwid:
- Huwag pumasok sa mga pampublikong sasakyang AI na ang eksaktong mga coordinate ay hindi pa nakumpirma.
- I-blur ang lokasyon ng mga sensitibong site sa mga broadcast at presentasyon (magbigay ng pangkalahatang lugar, walang GPS).
- Panatilihin ang data sa secure na system ng organisasyon at limitahan ang pag-access.
Pansin: Ang pag-paste ng mga coordinate ng isang site sa isang pampublikong serbisyo na nagsasabing "Iguguhit ko lang ang isang mapa" ay maaaring mag-iwan sa site na iyon na bukas sa pandarambong. Ang data ng lokasyon ay isang asset na dapat protektahan gaya ng paghahanap mismo.
tatlong mini case
Case 1 — Pinakipot ng scan ang lugar. Ang isang survey na proyekto ay magsusuri ng isang lugar na 500 km². Ang pagtatasa ng LiDAR na pinapagana ng AI ay minarkahan ang 120 posibleng mga punso sa ilalim ng kagubatan. Pagkatapos ng pag-aalis ng eksperto, nananatili ang 38 priority spot; 11 sa mga ito ay natagpuang tunay na mga istrukturang arkeolohiko sa larangan. Binago ng AI ang mga buwan ng bulag na paghahanap sa isang naka-target na season.
Case 2 — False positive ang aral. Habang ang isang koponan ay nasasabik na naghahanda upang ideklara ang isang makinis na pabilog na peklat na minarkahan ng AI na isang "bundok", ipinakita ng ekspertong geologist na ito ay isang natural na depresyon (dolin). Ang isang pahayag na ginawa nang walang kumpirmasyon sa lupa ay maaaring pagkawala ng reputasyon. Aralin: Nakikita ng AI ang geometry, hindi ang interpretasyon ng pinagmulan.
Kaso 3 — Pinipigilan ang pagtagas ng lokasyon. Ang isang mag-aaral ay mag-a-upload ng larawang naglalaman ng mga coordinate ng isang bagong natagpuang site sa isang pampublikong tool. Huminto ang tagapayo; ang lugar ay hindi pa rin protektado. Ang imahe ay naproseso na may inalis na impormasyon ng coordinate at sa secure na system lamang.
Apat na maaaring kopyahin na mga template
1) Anomaly scanning frame:
Ang iyong tungkulin: remote sensing analysis assistant. Bibigyan kita ng hubad na lupa (mula sa LiDAR) na larawan/data ng elevation. Markahan ang mga makinis na geometry (pabilog, parihaba, linear) na MAAARING gawa ng tao; Para sa bawat isa, isulat ang lokasyon nito, format, at kung bakit ito kapansin-pansin. Para sa bawat palatandaan, ipahiwatig din ang posibilidad ng natural/modernong paliwanag. Huwag magdeklara ng isang tiyak na "umupo".
2) Maling positibong pag-aalis:
Nasa ibaba ang listahan ng mga puntos ng kandidato na minarkahan ng AI. Para sa bawat isa, ilista ang natural at modernong mga paliwanag (geological formation, agricultural trace, road, building foundation) na maaari kong alisin BAGO ang terrain check. Ilista ang mga natitirang "talagang malabo" na mga kandidato nang hiwalay.
3) Plano sa pagkontrol sa lupa:
Ang aking nangungunang kandidato ay: [listahan]. Para sa bawat punto, may lalabas na checklist na naglalaman ng mga indicator na dapat kong hanapin kapag nagkukumpirma sa field (mga natuklasan sa ibabaw, topograpiya, kulay ng lupa, densidad ng bato) at ligtas/etikal na mga panuntunan sa field (pahintulot, pagiging kumpidensyal ng lokasyon).
4) Pag-blur ng lokasyon para sa broadcast:
Kapag inihahanda ang sumusunod na impormasyon ng site para sa isang publikasyon/pagtatanghal, imungkahi kung paano ko ito ilalarawan nang WALANG ibinubunyag ang eksaktong lokasyon: ilista kung anong antas ng generalization (lalawigan/rehiyon), anong impormasyon ang dapat tanggalin. Ang layunin: isang balanse ng siyentipikong transparency at proteksyon laban sa pagkasira.
Mahinang prompt / Malakas na prompt
Mahinang prompt:
Mayroon bang archaeological site sa satellite image na ito? Ibigay ang mga coordinate nito.
Maaaring ideklara ng AI ang isang natural na bakas bilang "umupo" at magkasya sa isang kumpiyansa na coordinate; Ito ay mapanganib sa parehong pang-agham at seguridad na pananaw.
Napakahusay na prompt:
Ang iyong tungkulin: remote sensing assistant. Markahan ang makinis na mga geometric na marka na MAAARING gawa ng tao sa larawang ito. Para sa bawat bakas: (a) ang hugis nito, (b) kung bakit ito kapansin-pansin, (c) natural/modernong alternatibong paliwanag. Ito ay mga kandidatong susuriin SA LARANGAN lamang; huwag magdeklara ng "umupo". Bumuo ng eksaktong mga coordinate, ilarawan ang kamag-anak na posisyon.
Pagkakaiba: ang una ay nagpapahayag ng pagtuklas; ang huli ay gumagawa ng isang secure na listahan ng mga kandidatong ibe-verify.
Mga uri ng larawan at pana-panahong epekto
Sa remote sensing isang imahe ay hindi "palaging" gumagana; Kailangan ang tamang kondisyon para makita ang tamang track. Ang mga marka ng pananim ay pinakamahusay na lumilitaw sa panahon ng mga tuyong panahon kapag ang pananim ay nasa ilalim ng stress ng tubig: ang lupa sa itaas ng isang nakabaon na pader ay nagpapanatili ng mas kaunting tubig, kaya ang pananim doon ay nagiging dilaw nang maaga at lumilitaw bilang isang linya mula sa itaas. Sa isang mahalumigmig na imahe ng tagsibol, ang parehong bakas ay maaaring hindi lumitaw sa lahat. Lumilitaw ang mga marka ng lupa kapag ang iba't ibang kulay ng lupa ay lumalabas sa ibabaw pagkatapos araruhin ang bukid. Ang mga marka ng anino, sa kabilang banda, ay nagpapakita ng mga light bump at mga lubak na may mahabang anino sa mababang araw, sa umaga o gabi. Samakatuwid, kinakailangang suriin ang isang lugar na hindi may isang imahe, ngunit may maraming mga imahe sa iba't ibang mga panahon at oras; Pinapabilis ng AI ang multi-time na paghahambing na ito.
Ang bentahe ng LiDAR ay higit na nalampasan nito ang pagdepende sa kondisyong ito: dahil direkta nitong sinusukat ang topograpiya sa ibabaw, hindi gaanong nakadepende ito sa panahon ng mga halaman at nakikita ang understory ng kagubatan. Gayunpaman, kapag gumagawa ng isang "hubad na modelo sa lupa" sa LiDAR, kung ang filter ng halaman ay masyadong agresibo, maaari nitong burahin ang mga tunay na bumps, at kung ito ay masyadong malambot, maaari itong mapagkamalan ang mga puno bilang mga istruktura; Ang mga desisyon sa filter na ito ay nangangailangan ng pangangasiwa ng eksperto.
Tip: Kapag sinusuri ang isang lugar, itanong "sa anong panahon, sa anong oras, at sa anong paraan?" Laging magtanong. Kung walang bakas sa isang larawan, hindi ito nangangahulugan na walang site; Baka maling kondisyon ang tinitingnan mo.
Talahanayan ng paghahambing ng pamamaraan
Pamamaraan
kung ano ang nakikita
Kontribusyon ng AI
hangganan
Satellite/aerial photography
Mga bakas ng halaman/lupa
Pag-scan ng malawak na lugar
season, resolusyon
NDVI
Pagkakaiba ng sigla ng halaman
Pag-highlight ng peklat
Nalilito ang mga likas na pagkakaiba
LiDAR
topograpiya sa ibabaw
understory geometry ng kagubatan
Mga error sa filter ng halaman
Geophysics (GPR/magnetic)
istraktura sa ilalim ng ibabaw
Anomalya pattern
lokal, mabagal
Mga karaniwang pagkakamali
- Napagkakamalang isang anomalya ang isang pagtuklas. Ang tanda ay isang kandidato; Kung walang kumpirmasyon sa lupa ito ay hindi isang site.
- Hindi inaalis ang natural/modernong bakas. Ang mga dolin, mga peklat sa agrikultura at mga tubo ay madalas na lumilitaw bilang "mga istruktura".
- Pagbibigay ng eksaktong coordinate sa bukas na sasakyan. Panganib ng pagnanakaw; Ang lokasyon ay isang asset na dapat protektahan.
- Umaasa sa iisang larawan. Hindi kumpleto ang interpretasyon kung walang iba't ibang panahon, iba't ibang pamamaraan at lupain.
- Nakakalimutan ang false positive rate. Karamihan sa mga palatandaan ay lumalabas na walang laman; Ito ay normal, ang layunin ay makitid.
Sa buod
Sa remote sensing, ang AI ay nakakatipid ng napakalaking oras sa pag-scan ng malalaking lugar at pagmamarka ng mga posibleng site. Ngunit ang bawat tanda ay isang hypothesis na dapat kumpirmahin sa larangan; ang natural at modernong mga bakas ay maingat na inalis; at higit sa lahat, ang mga sensitibong lokasyon ay protektado mula sa pagnanakaw. Sinasabi ng AI na "tumingin dito"; Ang lupain at ang eksperto ang magpapasya kung "protektado ang lugar na ito".
Gawain ng aplikasyon
Pumili ng open-access na LiDAR o satellite image (mula sa sarili mong rehiyon o mula sa isang sample na dataset). Magkaroon ng AI flag na posibleng mga geometry na may template na "Anomaly scanning", pagkatapos ay alisin ang natural/modernong mga paliwanag gamit ang template na "False positive elimination". Bumuo ng plano sa pagkontrol sa lupa para sa natitirang mga kandidato at magsama ng tala sa pagiging kumpidensyal ng lokasyon.
checklist
- [ ] Itinuring ko na ang mga signal ng AI ay "mga kandidato", hindi mga pagtuklas.
- [ ] Sinubukan kong alisin ang natural at modernong mga bakas.
- [ ] Nagplano ako ng kumpirmasyon ng lupa para sa mga priyoridad na kandidato.
- [ ] Iniwan ko ang mga sensitibong lokasyon sa labas ng bukas na sasakyan at pinalabo ko ang mga ito sa broadcast.
- [ ] Isinaalang-alang ko na ang maling positibong rate ay maaaring mataas.