מודליזציה מבוססת פיזיקה לזיהוי רטרוספקטיבי של פרוקסי ארכאולוגיות (ציוני יבול)

סיפורים נסתרים בשדות היומיומיים

באזורים נרחבים של העולם, שדות יבולים שגרתיים מסתירים בשקט עקבות של קברים, קירות ויישובים עתיקים. מבנים קבורים אלה יכולים לשנות בעדינות את אופן צמיחת הצמחים מעליהם, וליצור דפוסים חלשים הנקראים ציוני יבול, הנראים מהאוויר או מלוויינים. במחקר זה מראים כיצד מודלים פיזיקליים ולמידת מכונה מודרנית יכולים לפעול יחד כדי לזהות דפוסים אלה, אף בתמונות ארכיביות ישנות, ולפתוח דרכים חדשות לחקירת נופי העבר מבלי להפריע לקרקע.

כיצד שרידים קבורים משפיעים על צמיחת הצמחים

כאשר מבנים מאבן נמצאים ממש מתחת לפני השטח, הם משנים את אופן תנועת המים והחומרי המזון בקרקע. במקומות מסוימים הגידולים נעשים מזעריים ומותשים; במקומות אחרים הם גדלים בחוזקה, ויוצרים ציוני יבול שליליים או חיוביים. הבדלים אלה לעתים עדינים מדי לעין האנושית, אבל הם משנים את אופן שבו העלים מחזירים את אור השמש באור הנראה ובאינפרא‑אדום הקרוב. על ידי מדידת האור המוחזר, חוקרים יכולים לזהות «טביעות אצבע» ספקטרליות של מצבי דחק שמרמזות על מה שמתחבא מתחת לקרקע.

שדה ניסוי שנבנה לחקות אתר עתיק

כדי לחקור אותות אלה בתנאים מבוקרים, הצוות השתמש בשדה שעורה קטן ליד הכפר אלמפרה בקפריסין. מתחת למגרש זה בגודל חמישה על חמישה מטרים בנו מבנים שנועדו לחקות קברים עתיקים בעומק רדוד, תוך שמירה קפדנית על שכבות הקרקע הטבעיות. לאורך שתי עונות גידול שנפרשו על פני שלוש עשרה שנים, אספו מדידות מפורטות של האור המוחזר מהגידולים מעל המבנים הקבורים, מהגידולים הבריאים בסמוך ומאדמת שוקת. בקמפיין החדש יותר התמקדו בחודשי החורף הקריטיים כאשר הצמחים בשיא הירוק שלהם ובהמשך כאשר הזדקנו והתגיינו.

סימולציה של אור צמחים ליצירת נתונים וירטואליים

הליבה של הגישה היא מודל מחשב שנקרא PROSAIL, המשתמש בפיזיקה של מעבר אור דרך עלים וכתרי צמחים כדי לקשר בין מה שחיישן רואה לתכונות הצמח כגון פיגמנטים בעליים, תכולת מים וצפיפות. החוקרים ראשית "הפכו" את המודל: הזינו אליו את הספקטרות הנמדדות ושאלו אילו צירופי תכונות צמח יכולים להסביר אותן, תוך כוונת הפתרון לעבר ערכים ריאליסטיים מתוך מדעי הגידול. מתוך תכונות מוערכות אלה בנו תיאורים סטטיסטיים של אופן השונות של כל תכונה ושל הקשרים בין התכונות, הן עבור ציוני היבול והן עבור צמחים בריאים בכל תאריך תצפית.

בניית שדות סינתטיים עבור למידת מכונה

באמצעות תבניות סטטיסטיות אלה ייצר הצוות קבוצות גדולות של תכונות צמח סינתטיות והפעיל את PROSAIL קדימה כדי להפיק אלפי ספקטרות "וירטואליות" ריאליסטיות עבור כל מצב גידול ותאריך. לכל ספקטרום סינתטי הוענק תווית ידועה: מעל מבנה קבור או אזור בריא. לאחר מכן אימנו אנצמבל של מסווגי למידת מכונה שונים על נתונים סינתטיים אלה, לעתים תוך הוספת כמויות קטנות של רעש כדי לדמות חיישנים אמיתיים טוב יותר. המבחן המרכזי היה רטרוספקטיבי: מודלים שנבנו מהקמפיין של 2025 נדרשו לזהות חתימות ציוני יבול במדידות משנת 2012, בסימולציה לאופן שבו כלי זה עשוי לחפש בארכיוני תמונות אוויריות ולווייניות ישנות.

מה המודלים חשפו לגבי תזמון ואמינות

המבחנים הרטרוספקטיביים הראו שהשיטה יכולה לסווג נכונה יותר מ‑90 אחוז מהחתימות העבריות בתנאים מיטביים. המודלים עבדו היטב במיוחד כשהגידולים היו בשלב השיא הירוק שלהם, כאשר הכתר צפוף ותכונות העלים יחסית אחידות. בתקופה זו גם מסווגים פשוטים כמעט ליניאריים הופיעו כמוצלחים, והוספת רעש הפכה את המודלים לעמידים במקצת. כאשר העונה התקדמה לסנציה והצמחים הפכו לאחידים פחות בצבע ובמבנה, התחזיות נעשו פחות יציבות ורגישות יותר לכמות הנתונים הסינתטיים ששימשה לאימון. עם זאת, הספקטרות הסינתטיות נותרו קרובות לאמיתיות, ומודלי למידת המכונה עדיין יכלו למצוא דפוסים שימושיים, במיוחד כאשר היו מותאמים בקפידה.

למה זה חשוב לחקר העבר

המחקר מדגים צינור עבודה ניתן לשכפול המתחיל ממודלים פיזיקליים של האינטראקציה בין צמחים לאור, משתמש במודלים אלה לבניית נתוני אימון סינתטיים, ואז מיישם למידת מכונה כדי לזהות עקבות עדינים של פעילות אנושית בעבר. עבור הקורא שאינו מומחה, הרעיון המרכזי הוא שנוכל עתה להשתמש בהבנתנו את פיזיקת הצמחים כדי "ללמד" מחשבים כיצד אמורים להיראות שרידים קבורים במונחים ספקטרליים, ואז לשלוח את אותם גלאים מאומנים אחורה בזמן כדי לחפש בארכיוני תמונות. בעוד שהעבודה הנוכחית מבוססת על מגרש ניסוי יחיד וזקוקה להרחבה לצמחים, קרקעות ואקלימים שונים, היא מציעה נתיב לסריקה שיטתית של ארכיוני אוויר ולוויין אחר ציוני יבול שהתעמעמו עם הזמן, וסיוע לארכאולוגים בשחזור אתרים נסתרים שהנוף של היום כבר אינו חושף.

ציטוט: Gravanis, E., Agapiou, A. Physically-based modelling for retrospective detection of archaeological proxies (cropmarks). Sci Rep 16, 15089 (2026). https://doi.org/10.1038/s41598-026-45441-0

מילות מפתח: ציוני יבול, חיפוש ארכאולוגי, חישה מרחוק, נתונים סינתטיים, למידת מכונה