Aprimorando a classificação de ruínas humanas antigas com redes neurais residuais usando espectros visíveis e do infravermelho próximo

Por que cidades enterradas ainda importam hoje

Ao redor do mundo, vestígios de cidades e campos há muito desaparecidos permanecem ocultos sob nossos pés, diluídos no solo comum por milhares de anos de vento, água e cultivo. Esses restos enterrados guardam pistas sobre como sociedades passadas lidaram com mudanças climáticas, inundações e crescimento populacional — problemas que ecoam nos nossos dias. Ainda assim, encontrar ruínas tão sutis é trabalho minucioso que frequentemente depende do olhar experiente em um sítio de escavação. Este estudo investiga como feixes de luz visível e do infravermelho próximo, combinados com inteligência artificial moderna, podem transformar terra aparentemente comum em um mapa rico de atividade humana passada, acelerando descobertas e reduzindo custos e incertezas.

Procurando vestígios em solo comum

Ruínas humanas antigas nem sempre são templos grandiosos ou muralhas. Muitas são fossas de cinzas, sepultamentos, fossos defensivos, muros de terra compactada ou montes de materiais de construção quebrados que, com o tempo, se confundem com os sedimentos circundantes. Levantamentos tradicionais e até imagens de satélite têm dificuldade em distinguir essas feições dos solos naturais quando são pequenas ou profundamente enterradas. A China Central, berço da civilização chinesa com cinco milênios de ocupação quase contínua, oferece um campo de teste ideal. Ali, agricultores e rios remodelaram repetidamente a paisagem, deixando um mosaico complexo de depósitos culturais — como fossos e plataformas de terra batida — intercalados com loess, paleossolos e sedimentos lacustres.

Transformando luz em impressões digitais do passado

Para capturar diferenças sutis entre esses materiais, os pesquisadores coletaram mais de 14.000 amostras espectrais em 27 sítios arqueológicos na China Central. Usando um espectrômetro de campo sob céu claro ao meio-dia, mediram como cada tipo de solo ou ruína refletia a luz ao longo de centenas de bandas de comprimento de onda estreitas, desde as cores visíveis até o infravermelho próximo. Cada amostra tornou-se, assim, uma espécie de impressão digital óptica, moldada pelo tamanho dos grãos, umidade, teor orgânico e composição mineral. A equipe concentrou-se em oito categorias: fossas de cinzas, sepultamentos, fossos (moats), construções de terra batida, detritos arquitetônicos, loess, paleossolos e sedimentos lacustres. Abrangendo culturas desde vilarejos do Neolítico inicial até a China imperial primitiva, essas amostras capturam tanto atividade humana quanto variados contextos naturais.

Limpeza do sinal e ensino à máquina

Dados espectrais brutos são confusos. O vapor d’água na atmosfera introduz bandas ruidosas; peculiaridades do instrumento, variações de iluminação e diferenças no tamanho dos grãos ainda prejudicam a leitura. A equipe primeiro removeu regiões de comprimento de onda fortemente distorcidas e então testou três técnicas matemáticas para limpar as curvas remanescentes. Uma, chamada Standard Normal Variate (SNV), reescala cada espectro para reduzir a influência da dispersão e das diferenças no tamanho dos grãos. Outra, Multiple Scattering Correction, separa a luz absorvida pelo material da luz espalhada por partículas. Após o pré-processamento, cada espectro unidimensional foi reorganizado em uma pequena imagem em tons de cinza de 39 por 39, tratando a curva espectral como uma textura que um computador pode reconhecer. Os pesquisadores então treinaram vários modelos de aprendizado profundo — incluindo AlexNet, MobileNetV2 e uma rede residual mais profunda conhecida como ResNet50 — para classificar essas imagens nas oito categorias de ruínas e sedimentos.

Como o classificador inteligente se sai

O destaque foi a combinação do pré-processamento SNV com a rede ResNet50. Essa dupla alcançou uma acurácia geral de classificação de cerca de 96,6%, superando a mesma rede sem pré-processamento e os outros modelos neurais. Mostrou-se especialmente eficaz em distinguir materiais que parecem semelhantes a olho nu, como diferentes sedimentos enterrados. Mesmo quando os pesquisadores reduziram a quantidade de dados de treinamento para apenas 40% das amostras disponíveis, a acurácia permaneceu acima de 93%, subindo de forma constante à medida que mais exemplos eram acrescentados. Análises de matrizes de confusão mostraram que algumas categorias, como sedimentos lacustres e loess, foram identificadas com confiabilidade particularmente alta, enquanto até a classe mais difícil — detritos arquitetônicos — ainda atingiu acurácia acima de 95%.

O que isso significa para a arqueologia e além

Para não especialistas, o resultado principal é simples: ao iluminar o solo com um espectro amplo de luz e deixar uma rede neural ajustada interpretar os reflexos, arqueólogos podem mapear rápida e objetivamente onde pessoas viveram, cultivaram e construíram — mesmo quando não há paredes ou artefatos visíveis. Esse método reduz a dependência da experiência individual, acelera levantamentos de campo e abre caminho para varreduras em larga escala, semi-automáticas, de paisagens em busca de traços culturais sutis. Embora o conjunto de dados atual seja adaptado ao clima e à história da China Central, a mesma abordagem pode ser estendida a outras regiões e períodos conforme mais bibliotecas espectrais sejam construídas. A longo prazo, combinar sensoriamento hiperespectral, inteligência artificial e outras ferramentas remotas pode transformar nossa forma de explorar histórias enterradas, oferecendo insights mais nítidos sobre como sociedades anteriores enfrentaram mudanças ambientais — e como nós poderíamos fazer o mesmo.

Citação: 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

Palavras-chave: arqueologia hiperespectral, ruínas humanas antigas, aprendizado profundo, espectros do infravermelho próximo, detecção do patrimônio