Verbetering van de classificatie van oude menselijke resten met residuale neurale netwerken met gebruik van zichtbaar en nabij-infraroodspectrum

Waarom begraven steden vandaag nog steeds van belang zijn

Over de hele wereld liggen sporen van lang verdwenen dorpen en akkers verborgen onder onze voeten, vervaagd tot gewone grond door duizenden jaren van wind, water en landbouw. Deze begraven resten bieden aanwijzingen over hoe vroegere samenlevingen zich aanpasten aan klimaatveranderingen, overstromingen en bevolkingsgroei — problemen die weerklinken in onze tijd. Toch is het opsporen van zulke subtiele ruïnes een nauwgezet werk dat vaak afhangt van een vaardig oog op een opgravingsplaats. Deze studie onderzoekt hoe bundels zichtbaar en nabij-infrarood licht, gecombineerd met moderne kunstmatige intelligentie, nondescript aarde kunnen omzetten in een rijk kaartbeeld van menselijke activiteit uit het verleden, waardoor ontdekkingen worden versneld en kosten en giswerk verminderen.

Zoeken naar sporen in gewone grond

Oude menselijke resten zijn niet altijd imposante tempels of stadsmuren. Veelal gaat het om asputten, graven, grachten, aangestampte aarden wallen of hopen gebroken bouwmaterialen die na verloop van tijd opgaan in de omliggende sedimenten. Traditionele inventarissen en zelfs satellietbeelden hebben moeite deze kenmerken te onderscheiden van natuurlijke bodems wanneer ze klein of diep begraven zijn. Centraal-China, een bakermat van de Chinese beschaving met vijf millennia van vrijwel doorlopende bewoning, vormt een ideaal testgebied. Daar hebben boeren en rivieren het landschap herhaaldelijk hervormd, waardoor een complex mozaïek van culturele afzettingen — zoals grachten en aangestampte platformen — is verweven met löss, paleogronden en meerdelen.

Licht veranderen in vingerafdrukken van het verleden

Om subtiele verschillen tussen deze materialen vast te leggen, verzamelden de onderzoekers meer dan 14.000 spectra-monsters op 27 archeologische sites in Centraal-China. Met een veldspectrometer onder een heldere middaghemel maten ze hoe elk type grond of ruïne licht reflecteerde over honderden smalle golflengtebanden, van zichtbare kleuren tot nabij-infrarood. Elk monster werd daarmee een soort optische vingerafdruk, gevormd door korrelgrootte, vochtigheid, organische inhoud en mineraalsamenstelling. Het team concentreerde zich op acht categorieën: asputten, begraafplaatsen, grachten, aangestampte aarden constructies, architecturaal puin, löss, paleogronden en lacustriene (meer)sedimenten. Deze monsters bestrijken culturen van vroege neolithische nederzettingen tot vroegkeizerlijk China en vangen zowel menselijke activiteit als gevarieerde natuurlijke omgevingen.

Het signaal reinigen en de machine trainen

Ruwe spectrale gegevens zijn rommelig. Waterdamp in de atmosfeer introduceert ruis in bepaalde banden; instrumenteigenaardigheden, veranderingen in verlichting en ongelijke korrelgrootte vertroebelen het beeld verder. Het team verwijderde eerst sterk vervormde golflengteregio’s en testte vervolgens drie wiskundige technieken om de overgebleven krommen te reinigen. Een methode, Standard Normal Variate (SNV), schaalt elk spectrum opnieuw om de invloed van verstrooiing en korrelgrootteverschillen te verminderen. Een andere, Multiple Scattering Correction, scheidt licht dat door het materiaal wordt geabsorbeerd van licht dat door de deeltjes wordt verstrooid. Na preprocessing werd elk eendimensionaal spectrum herschikt tot een klein 39-bij-39 grijstintenbeeld, waarbij de spectrale curve als een textuur werd behandeld die een computer kan herkennen. De onderzoekers trainden vervolgens meerdere deep-learningmodellen — waaronder AlexNet, MobileNetV2 en een dieper residual netwerk bekend als ResNet50 — om deze beelden in te delen in de acht typen ruïnes en sedimenten.

Hoe goed de slimme classifier presteert

De opvallende winnaar was de combinatie van SNV-preprocessing met het ResNet50-netwerk. Deze koppeling bereikte een totale classificatienauwkeurigheid van ongeveer 96,6 procent, en overtrof hetzelfde netwerk zonder preprocessing en de andere neurale modellen. Het bleek vooral sterk in het onderscheiden van materialen die met het blote oog op elkaar lijken, zoals verschillende begraven sedimenten. Zelfs toen de onderzoekers de hoeveelheid trainingsdata terugbrachten tot slechts 40 procent van de beschikbare monsters, bleef de nauwkeurigheid boven de 93 procent en nam gestaag toe naarmate meer voorbeelden werden toegevoegd. Analyse van verwarringsmatrices toonde aan dat sommige categorieën, zoals lacustriene sedimenten en löss, met bijzonder hoge betrouwbaarheid werden herkend, terwijl zelfs de moeilijkste klasse — architecturaal puin — nog steeds een nauwkeurigheid van boven 95 procent bereikte.

Wat dit betekent voor archeologie en verder

Voor niet-specialisten is de kern van het resultaat eenvoudig: door een breed spectrum van licht op grond te schijnen en een afgestemd neuraal netwerk de reflecties te laten interpreteren, kunnen archeologen snel en objectief in kaart brengen waar mensen ooit woonden, landbouw dreven en bouwden — zelfs wanneer geen muren of artefacten zichtbaar zijn. Deze methode vermindert de afhankelijkheid van persoonlijke ervaring, versnelt veldinventarisaties en opent de deur naar grootschalige, semi-automatische scans van landschappen op zoek naar subtiele culturele sporen. Hoewel de huidige dataset is afgestemd op het klimaat en de geschiedenis van Centraal-China, kan dezelfde aanpak worden uitgebreid naar andere regio’s en tijdsperioden naarmate meer spectrale bibliotheken worden opgebouwd. Op de lange termijn kan de combinatie van hyperspectrale sensoring, kunstmatige intelligentie en andere afstandsmeetmethoden transformeren hoe we begraven geschiedenis verkennen, en ons scherpere inzichten geven in hoe vroegere samenlevingen met milieuveranderingen omgingen — en hoe wij dat mogelijk kunnen doen.

Bronvermelding: 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

Trefwoorden: hyperspectrale archeologie, oude menselijke resten, deep learning, nabij-infrarood spectra, erfgoeddetectie