Mejora de la clasificación de ruinas humanas antiguas con redes neuronales residuales usando espectros en el visible y cercano infrarrojo

Por qué las ciudades enterradas siguen importando hoy

En todo el mundo, los vestigios de pueblos y campos hace mucho desaparecidos yacen ocultos bajo nuestros pies, difuminados en suelo ordinario por miles de años de viento, agua y agricultura. Estos restos enterrados guardan pistas sobre cómo las sociedades anteriores se adaptaron a cambios climáticos, inundaciones y aumentos de población: problemas que resuenan con los nuestros. Sin embargo, encontrar ruinas tan sutiles es un trabajo laborioso que a menudo depende del ojo experto en una excavación. Este estudio explora cómo haces de luz visible y del cercano infrarrojo, combinados con inteligencia artificial moderna, pueden convertir tierra anodina en un mapa rico de actividad humana pasada, acelerando los descubrimientos y reduciendo costos e incertidumbres.

Buscando trazas en el suelo ordinario

Las ruinas humanas antiguas no siempre son templos grandiosos o murallas de ciudad. Muchas consisten en fosas de ceniza, enterramientos, fosos defensivos, muros de tierra compactada o montones de materiales constructivos rotos que, con el tiempo, se funden con los sedimentos circundantes. Los levantamientos tradicionales e incluso las imágenes satelitales tienen dificultades para distinguir estas características de los suelos naturales cuando son pequeñas o están profundamente enterradas. La China central, cuna de la civilización china con cinco milenios de ocupación casi continua, ofrece un campo de prueba perfecto. Allí, agricultores y ríos han reconfigurado repetidamente el paisaje, dejando un mosaico complejo de depósitos culturales—como fosos y plataformas de tierra apisonada—intercalados con loess, paleosuelos y sedimentos de fondo lacustre.

Convertir la luz en huellas dactilares del pasado

Para captar diferencias sutiles entre estos materiales, los investigadores recogieron más de 14 000 muestras espectrales en 27 yacimientos arqueológicos de la China central. Usando un espectrómetro de campo bajo cielos despejados al mediodía, midieron cómo cada tipo de suelo o ruina reflejaba la luz a lo largo de cientos de bandas de longitud de onda estrechas, desde los colores visibles hasta el cercano infrarrojo. Cada muestra se convirtió así en una especie de huella óptica, conformada por su tamaño de grano, humedad, contenido orgánico y composición mineral. El equipo se centró en ocho categorías: fosas de ceniza, enterramientos, fosos, construcciones de tierra apisonada, escombros arquitectónicos, loess, paleosuelos y sedimentos lacustres. Abarcando culturas desde aldeas neolíticas tempranas hasta la China imperial temprana, estas muestras capturan tanto la actividad humana como diversos entornos naturales.

Limpiar la señal y enseñar a la máquina

Los datos espectrales crudos son desordenados. El vapor de agua en la atmósfera introduce bandas ruidosas; peculiaridades del instrumento, variaciones de iluminación y tamaño de grano desigual nublan aún más la imagen. El equipo primero eliminó regiones de longitud de onda fuertemente distorsionadas y luego probó tres técnicas matemáticas para limpiar las curvas restantes. Una, llamada Standard Normal Variate (SNV), reescalada cada espectro para reducir la influencia de la dispersión y las diferencias de tamaño de grano. Otra, la Corrección por Dispersión Múltiple, separa la luz absorbida por el material de la luz dispersada por las partículas. Tras el preprocesamiento, cada espectro unidimensional se reorganizó en una pequeña imagen en escala de grises de 39 por 39, tratando la curva espectral como una textura que un ordenador puede reconocer. Los investigadores entrenaron entonces varios modelos de aprendizaje profundo—incluidos AlexNet, MobileNetV2 y una red residual más profunda conocida como ResNet50—para clasificar estas imágenes en los ocho tipos de ruinas y sedimentos.

Qué tan bien funciona el clasificador inteligente

El mejor rendimiento lo ofreció la combinación del preprocesamiento SNV con la red ResNet50. Este emparejamiento alcanzó una precisión global de clasificación de aproximadamente 96,6 por ciento, superando a la misma red sin preprocesamiento y a los otros modelos neuronales. Fue especialmente eficaz para distinguir materiales que a simple vista parecen similares, como distintos sedimentos enterrados. Incluso cuando los investigadores redujeron la cantidad de datos de entrenamiento al 40 por ciento de las muestras disponibles, la precisión se mantuvo por encima del 93 por ciento, aumentando de forma constante a medida que se añadían más ejemplos. Los análisis de la matriz de confusión mostraron que algunas categorías, como sedimentos lacustres y loess, se identificaron con fiabilidad particularmente alta, mientras que la clase más difícil—escombros arquitectónicos—logró aún así una precisión superior al 95 por ciento.

Qué implica esto para la arqueología y más allá

Para los no especialistas, el resultado clave es simple: al iluminar el suelo con un amplio espectro de luz y permitir que una red neuronal afinada interprete las reflexiones, los arqueólogos pueden mapear de forma rápida y objetiva dónde la gente vivió, cultivó y construyó—incluso cuando no hay muros ni artefactos visibles. Este método reduce la dependencia de la experiencia personal, acelera los sondeos de campo y abre la puerta a escaneos semi-automáticos a gran escala del paisaje en busca de trazas culturales sutiles. Aunque el conjunto de datos actual está adaptado al clima e historia de la China central, el mismo enfoque puede extenderse a otras regiones y periodos a medida que se construyan más bibliotecas espectrales. A largo plazo, la combinación de detección hiperespectral, inteligencia artificial y otras herramientas remotas puede transformar la forma en que exploramos historias enterradas, proporcionándonos una visión más nítida de cómo las sociedades anteriores afrontaron el cambio ambiental—y cómo podríamos hacerlo nosotros.

Cita: 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

Palabras clave: arqueología hiperespectral, ruinas humanas antiguas, aprendizaje profundo, espectros en el cercano infrarrojo, detección del patrimonio