Améliorer la classification des vestiges humains anciens avec des réseaux neuronaux résiduels utilisant des spectres visible et proche infrarouge

Pourquoi les villes enfouies comptent encore aujourd’hui

Partout dans le monde, des traces de villes et de champs disparus depuis longtemps reposent sous nos pieds, estompées dans un sol ordinaire par des milliers d’années de vent, d’eau et d’agriculture. Ces vestiges enfouis contiennent des indices sur la manière dont les sociétés anciennes se sont adaptées aux changements climatiques, aux inondations et aux explosions démographiques — des problèmes qui font écho aux nôtres. Pourtant, découvrir de tels vestiges subtils est un travail laborieux qui dépend souvent d’un œil expert sur le terrain. Cette étude examine comment des faisceaux de lumière visible et proche infrarouge, associés à l’intelligence artificielle moderne, peuvent transformer un sol anodin en une carte riche de l’activité humaine passée, accélérant les découvertes tout en réduisant les coûts et les conjectures.

Chercher des traces dans un sol ordinaire

Les vestiges humains anciens ne sont pas toujours de grands temples ou des murailles de ville. Beaucoup sont des fosses de cendres, des sépultures, des douves, des plates-formes en pisé compacté ou des amas de matériaux de construction cassés qui, avec le temps, se fondent dans les sédiments environnants. Les relevés traditionnels et même les images satellites peinent à distinguer ces éléments des sols naturels quand ils sont petits ou profondément enfouis. La Chine centrale, berceau de la civilisation chinoise avec cinq millénaires d’occupation quasi continue, constitue un terrain d’essai idéal. Là, les paysans et les cours d’eau ont sans cesse remodelé le paysage, laissant une mosaïque complexe de dépôts culturels — comme des douves et des plates-formes en terre battue — entremêlés de loess, de paléosols et de sédiments lacustres.

Convertir la lumière en empreintes du passé

Pour capturer les différences subtiles entre ces matériaux, les chercheurs ont collecté plus de 14 000 échantillons spectraux sur 27 sites archéologiques de Chine centrale. À l’aide d’un spectromètre de terrain par temps clair en milieu de journée, ils ont mesuré la façon dont chaque type de sol ou vestige réfléchit la lumière à travers des centaines de bandes étroites de longueurs d’onde, des couleurs visibles jusqu’au proche infrarouge. Chaque échantillon est ainsi devenu une sorte d’empreinte optique, façonnée par la taille des grains, l’humidité, la teneur en matière organique et la composition minérale. L’équipe s’est concentrée sur huit catégories : fosses de cendres, sépultures, douves, constructions en terre battue, débris architecturaux, loess, paléosols et sédiments lacustres. Couvrant des cultures depuis les premiers villages néolithiques jusqu’à la Chine impériale ancienne, ces échantillons reflètent à la fois l’activité humaine et des contextes naturels variés.

Nettoyer le signal et former la machine

Les données spectrales brutes sont désordonnées. La vapeur d’eau atmosphérique introduit des bandes bruyantes ; les particularités de l’instrument, les variations d’éclairage et la granulométrie inégale brouillent encore le signal. L’équipe a d’abord éliminé les régions de longueurs d’onde fortement déformées puis testé trois techniques mathématiques pour nettoyer les courbes restantes. L’une, appelée Standard Normal Variate (SNV), rescales chaque spectre pour réduire l’influence de la diffusion et des différences de taille de grain. Une autre, la correction de diffusion multiple, sépare la lumière absorbée par le matériau de la lumière diffusée par les particules. Après le prétraitement, chaque spectre unidimensionnel a été reformaté en une petite image en niveaux de gris de 39 par 39, traitant la courbe spectrale comme une texture que l’ordinateur peut reconnaître. Les chercheurs ont ensuite entraîné plusieurs modèles d’apprentissage profond — dont AlexNet, MobileNetV2 et un réseau résiduel plus profond connu sous le nom de ResNet50 — pour classer ces images en huit types de vestiges et de sédiments.

Performances du classifieur intelligent

La combinaison qui s’est démarquée est celle du prétraitement SNV avec le réseau ResNet50. Cette association a atteint une précision globale de classification d’environ 96,6 %, surpassant le même réseau sans prétraitement et les autres modèles neuronaux. Elle s’est révélée particulièrement efficace pour distinguer des matériaux qui paraissent similaires à l’œil nu, comme différents sédiments enfouis. Même lorsque les chercheurs ont réduit la quantité de données d’entraînement à seulement 40 % des échantillons disponibles, la précision est restée au-dessus de 93 %, augmentant régulièrement à mesure que d’autres exemples étaient ajoutés. Les analyses de matrices de confusion ont montré que certaines catégories, comme les sédiments lacustres et le loess, étaient identifiées avec une fiabilité particulièrement élevée, tandis que la classe la plus difficile — les débris architecturaux — atteignait malgré tout une précision supérieure à 95 %.

Ce que cela signifie pour l’archéologie et au-delà

Pour les non-spécialistes, le résultat clé est simple : en illuminant un sol avec un large spectre de lumière et en laissant un réseau neuronal entraîné interpréter les réflexions, les archéologues peuvent cartographier rapidement et objectivement les lieux où des gens ont vécu, cultivé et construit — même lorsqu’aucun mur ou artefact n’est visible. Cette méthode réduit la dépendance à l’expérience individuelle, accélère les relevés de terrain et ouvre la voie à des balayages paysagers semi-automatiques à grande échelle à la recherche de traces culturelles subtiles. Bien que l’ensemble de données actuel soit adapté au climat et à l’histoire de la Chine centrale, la même approche peut être étendue à d’autres régions et à d’autres périodes à mesure que des bibliothèques spectrales supplémentaires seront constituées. À long terme, la combinaison de la détection hyperspectrale, de l’intelligence artificielle et d’autres outils à distance pourrait transformer notre exploration des histoires enfouies, nous donnant un aperçu plus net de la manière dont les sociétés anciennes ont fait face aux changements environnementaux — et de ce que nous pourrions apprendre pour faire de même.

Citation: 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

Mots-clés: archéologie hyperspectrale, vestiges humains anciens, apprentissage profond, spectres proche infrarouge, détection du patrimoine