Verbesserung der Klassifizierung antiker menschlicher Ruinen mit residualen neuronalen Netzwerken unter Verwendung sichtbarer und nahinfraroter Spektren

Warum vergrabene Städte noch heute von Bedeutung sind

Auf der ganzen Welt liegen Spuren längst vergangener Orte und Felder verborgen unter unseren Füßen, durch Jahrtausende von Wind, Wasser und Landwirtschaft in gewöhnliche Erde aufgegangen. Diese vergrabenen Überreste liefern Hinweise darauf, wie frühere Gesellschaften sich an Klimaschwankungen, Überschwemmungen und Bevölkerungszuwächse anpassten — Probleme, die auch uns betreffen. Das Auffinden solcher subtiler Ruinen ist jedoch mühsam und hängt oft von geübtem Blick bei Ausgrabungen ab. Diese Studie untersucht, wie Strahlen aus sichtbarem und nahinfrarotem Licht in Kombination mit moderner künstlicher Intelligenz unscheinbare Erde in eine reichhaltige Karte menschlicher Vergangenheit verwandeln können, Entdeckungen beschleunigen und Kosten sowie Ratespiel reduzieren.

Spuren im gewöhnlichen Boden suchen

Antike menschliche Ruinen sind nicht immer große Tempel oder Stadtmauern. Viele bestehen aus Aschengruben, Gräbern, Verteidigungsgräben, verdichtetem Lehmbau, oder Haufwerken zerbrochener Baumaterialien, die mit der Zeit in die umgebenden Sedimente übergehen. Traditionelle Begehungen und sogar Satellitenaufnahmen tun sich schwer, diese Strukturen von natürlichen Böden zu unterscheiden, wenn sie klein oder tief vergraben sind. Zentralchina, eine Wiege der chinesischen Zivilisation mit fast fünftausendjähriger Siedlungsgeschichte, bietet hierfür ein ideales Testfeld. Dort haben Bauern und Flüsse die Landschaft wiederholt umgeformt und ein komplexes Mosaik kultureller Ablagerungen — etwa Gräben und gestampfte Erdwälle — neben Löss, Paläoböden und Seesedimenten hinterlassen.

Licht in Fingerabdrücke der Vergangenheit verwandeln

Um subtile Unterschiede zwischen diesen Materialien zu erfassen, sammelten die Forschenden mehr als 14.000 Spektralproben an 27 archäologischen Fundstellen in Zentralchina. Mit einem Feldspektrometer unter klarem Mittagslicht maßen sie, wie jede Boden- oder Ruinenart Licht über hunderte schmaler Wellenlängenbänder hinweg reflektiert — von sichtbaren Farben bis ins nahinfrarote Spektrum. Jede Probe wurde so zu einer Art optischem Fingerabdruck, geformt von Korngröße, Feuchtigkeit, organischem Gehalt und Mineralzusammensetzung. Das Team konzentrierte sich auf acht Kategorien: Aschengruben, Bestattungen, Gräben, Stampflehmkonstruktionen, architektonische Trümmer, Löss, Paläoböden und lakustrine (See-)Sedimente. Die Proben decken Kulturen vom frühen Neolithikum bis zum frühen Kaiserreich ab und erfassen sowohl menschliche Aktivitäten als auch unterschiedliche natürliche Umgebungen.

Das Signal säubern und der Maschine beibringen

Rohdaten aus Spektren sind unordentlich. Wasserdampf in der Atmosphäre erzeugt verrauschte Banden; Instrumenteneffekte, Lichtverhältnisse und ungleichmäßige Korngrößen verschleiern das Bild weiter. Das Team entfernte zunächst stark verzerrte Wellenlängenbereiche und testete dann drei mathematische Techniken zur Glättung der verbleibenden Kurven. Eine, die Standard Normal Variate (SNV) genannt wird, skaliert jedes Spektrum neu, um den Einfluss von Streuung und Korngrößenunterschieden zu reduzieren. Eine andere, Multiple Scattering Correction, trennt von Partikeln gestreutes Licht von dem vom Material absorbierten Licht. Nach der Vorverarbeitung wurde jedes eindimensionale Spektrum in ein kleines 39-mal-39-Graustufenbild umgeformt, wobei die spektrale Kurve als Textur behandelt wurde, die ein Computer erkennen kann. Die Forschenden trainierten dann mehrere Deep-Learning-Modelle — darunter AlexNet, MobileNetV2 und ein tieferes Residualnetzwerk namens ResNet50 — um diese Bilder in die acht Ruinen- und Sedimenttypen zu klassifizieren.

Wie gut der intelligente Klassifikator arbeitet

Der Spitzenreiter war die Kombination aus SNV-Vorverarbeitung und dem ResNet50-Netzwerk. Diese Paarung erreichte eine Gesamtklassifikationsgenauigkeit von etwa 96,6 Prozent und übertraf damit dasselbe Netzwerk ohne Vorverarbeitung sowie die anderen neuronalen Modelle. Besonders überzeugend war die Fähigkeit, Materialien zu unterscheiden, die mit bloßem Auge ähnlich erscheinen, etwa verschiedene vergrabene Sedimente. Selbst wenn die Forschenden die Menge an Trainingsdaten auf nur 40 Prozent der verfügbaren Proben reduzierten, blieb die Genauigkeit über 93 Prozent und stieg stetig, je mehr Beispiele hinzugefügt wurden. Analysen mit Verwechslungsmatrizen zeigten, dass einige Kategorien, etwa lakustrine Sedimente und Löss, besonders zuverlässig erkannt wurden, während selbst die schwierigste Klasse — architektonische Trümmer — eine Genauigkeit von über 95 Prozent erreichte.

Was das für Archäologie und darüber hinaus bedeutet

Für Nicht-Spezialisten ist das wichtigste Ergebnis einfach: Indem man ein breites Lichtspektrum auf Boden richtet und ein abgestimmtes neuronales Netzwerk die reflektierten Signale interpretieren lässt, können Archäologen schnell und objektiv kartieren, wo Menschen einst lebten, Landwirtschaft betrieben und bauten — selbst wenn keine Mauern oder Artefakte sichtbar sind. Diese Methode verringert die Abhängigkeit von persönlicher Erfahrung, beschleunigt Feldbegehungen und ebnet den Weg für großflächige, halbautomatische Scans von Landschaften auf der Suche nach subtilen kulturellen Spuren. Obwohl der aktuelle Datensatz auf das Klima und die Geschichte Zentralchinas zugeschnitten ist, lässt sich derselbe Ansatz auf andere Regionen und Zeiträume ausdehnen, wenn weitere Spektralbibliotheken aufgebaut werden. Langfristig könnten die Kombination aus hyperspektraler Fernerkundung, künstlicher Intelligenz und anderen Fernerkundungsmethoden die Erforschung vergrabener Geschichte grundlegend verändern und uns schärfere Einblicke geben, wie frühere Gesellschaften mit Umweltveränderungen umgingen — und wie wir das ebenfalls tun könnten.

Zitation: Luo, R., Chen, P., Wang, H. et al. Enhancing ancient human ruins classification with residual neural networks using visible near-infrared spectra. npj Herit. Sci. 14, 284 (2026). https://doi.org/10.1038/s40494-026-02564-x

Schlüsselwörter: hyperspektrale Archäologie, antike menschliche Ruinen, Deep Learning, nahinfrarote Spektren, Denkmalsuche