Udoskonalanie klasyfikacji starożytnych pozostałości ludzkich za pomocą resztkowych sieci neuronowych wykorzystujących widzialne i bliskiej podczerwieni spektra

Dlaczego zakopane miasta wciąż mają znaczenie

Na całym świecie ślady dawno znikniętych miast i pól leżą ukryte pod naszymi stopami, zatarte w zwykłej glebie przez tysiąclecia wiatru, wody i upraw. Te zakopane pozostałości kryją wskazówki, jak wcześniejsze społeczeństwa dostosowywały się do zmian klimatu, powodzi i wzrostu populacji — problemów, które odbijają się echem w naszych czasach. Jednak odnalezienie tak subtelnych ruin to mozolna praca, która często zależy od wprawnego oka na wykopalisku. W tym badaniu pokazano, jak wiązki światła widzialnego i bliskiej podczerwieni, w połączeniu z nowoczesną sztuczną inteligencją, mogą przemienić niepozorną ziemię w bogatą mapę przeszłej aktywności ludzkiej, przyspieszając odkrycia i ograniczając koszty oraz domysły.

Poszukiwanie śladów w zwykłej glebie

Starożytne pozostałości ludzkie nie zawsze są okazałymi świątyniami czy murami miejskimi. Wiele z nich to doły popielne, groby, fosy, ubite ziemne wały czy hałdy pokruszonych materiałów budowlanych, które z czasem scalają się z otaczającymi osadami. Tradycyjne badania terenowe, a nawet zdjęcia satelitarne, mają trudności z rozróżnieniem tych elementów od naturalnych gleb, gdy są małe lub głęboko zakopane. Centralne Chiny — kolebka cywilizacji chińskiej z prawie pięcioma tysiącami lat niemal nieprzerwanego osadnictwa — stanowią idealne pole testowe. Tam rolnicy i rzeki wielokrotnie przekształcały krajobraz, pozostawiając skomplikowaną mozaikę osadów kulturowych — takich jak fosy i ubite platformy ziemne — przeplataną z lessami, paleosolami i osadami den jeziornych.

Przekształcanie światła w odciski przeszłości

Aby wychwycić subtelne różnice między tymi materiałami, badacze zebrali ponad 14 000 próbek spektralnych z 27 stanowisk archeologicznych w całych Chinach Środkowych. Za pomocą spektrometru terenowego w jasne południowe niebo zmierzyli, jak każdy rodzaj gleby lub pozostałości odbija światło w setkach wąskich pasm długości fali — od widzialnych barw aż po bliską podczerwień. Każda próbka stała się w ten sposób rodzajem optycznego odcisku palca, ukształtowanego przez wielkość ziaren, wilgotność, zawartość substancji organicznych i skład mineralny. Zespół skupił się na ośmiu kategoriach: doły popielne, pochówki, fosy, konstrukcje z ubitej ziemi, gruzy budowlane, less, paleosole i osady jeziorne. Próbki obejmują kultury od wczesnych osad neolitycznych po wczesne cesarskie Chiny, rejestrując zarówno działalność ludzką, jak i różnorodne warunki naturalne.

Oczyszczanie sygnału i uczenie maszyny

Surowe dane spektralne są chaotyczne. Para wodna w atmosferze wprowadza hałaśliwe pasma; niedoskonałości instrumentu, zmiany oświetlenia i niejednorodność wielkości ziaren dodatkowo zaciemniają obraz. Zespół najpierw usunął silnie zdeformowane zakresy długości fali, a następnie przetestował trzy techniki matematyczne oczyszczania pozostałych krzywych. Jedna z nich, zwana Standard Normal Variate (SNV), przeskalowuje każdy spektrum, aby zmniejszyć wpływ rozpraszania i różnic w wielkości ziaren. Inna, Multiple Scattering Correction, rozdziela światło pochłonięte przez materiał od światła rozproszonego przez cząstki. Po wstępnej obróbce każde jednowymiarowe spektrum zostało przekształcone w mały 39 na 39 obraz w odcieniach szarości, traktując krzywą spektralną jako teksturę rozpoznawalną przez komputer. Następnie badacze trenowali kilka modeli głębokiego uczenia — w tym AlexNet, MobileNetV2 oraz głębszą sieć resztkową znaną jako ResNet50 — aby klasyfikowały te obrazy do ośmiu typów ruin i osadów.

Jak dobrze działa inteligentny klasyfikator

Najlepsze wyniki dało połączenie przetwarzania SNV z siecią ResNet50. To zestawienie osiągnęło ogólną dokładność klasyfikacji na poziomie około 96,6 procent, przewyższając tę samą sieć bez wstępnego przetwarzania oraz pozostałe modele sieciowe. Okazało się szczególnie skuteczne w rozróżnianiu materiałów podobnych dla ludzkiego oka, takich jak różne zakopane osady. Nawet gdy badacze ograniczyli ilość danych treningowych do zaledwie 40 procent dostępnych próbek, dokładność pozostała powyżej 93 procent i rosła stopniowo wraz z dodawaniem kolejnych przykładów. Analizy macierzy pomyłek wykazały, że niektóre kategorie, na przykład osady jeziorne i less, były identyfikowane ze szczególnie dużą niezawodnością, podczas gdy nawet najtrudniejsza klasa — gruzy budowlane — osiągnęła dokładność powyżej 95 procent.

Co to oznacza dla archeologii i dalej

Dla osób spoza specjalności kluczowy wynik jest prosty: oświetlając glebę szerokim spektrum światła i pozwalając wyszkolonej sieci neuronowej interpretować odbicia, archeolodzy mogą szybko i obiektywnie mapować miejsca, gdzie ludzie kiedyś mieszkali, uprawiali ziemię i budowali — nawet gdy nie widać murów czy artefaktów. Metoda ta zmniejsza zależność od osobistego doświadczenia, przyspiesza badania terenowe i otwiera drogę do wielkoskalowych, półautomatycznych skanów krajobrazów w poszukiwaniu subtelnych śladów kulturowych. Chociaż obecny zbiór danych jest dostosowany do klimatu i historii Chin Środkowych, to samo podejście można rozszerzyć na inne regiony i okresy wraz z rozbudową bibliotek spektralnych. W dłuższej perspektywie połączenie czujników hiperspektralnych, sztucznej inteligencji i innych narzędzi zdalnych może zmienić sposób badania zakopanych historii, dając ostrzejszy wgląd w to, jak wcześniejsze społeczeństwa radziły sobie ze zmianami środowiskowymi — i jak my możemy postąpić podobnie.

Cytowanie: 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

Słowa kluczowe: hiperspektralna archeologia, starożytne pozostałości ludzkie, uczenie głębokie, spektrum bliskiej podczerwieni, detekcja dziedzictwa