Улучшение классификации древних человеческих памятников с помощью остаточных нейронных сетей, использующих видимо‑ближний инфракрасный спектр

Почему похороненные города важны и сегодня

По всему миру следы давно исчезнувших поселений и полей скрыты под нашими ногами, расплывшись в обычной земле под влиянием тысяч лет ветра, воды и сельского хозяйства. Эти похороненные остатки содержат подсказки о том, как прошлые общества приспосабливались к климатическим изменениям, наводнениям и всплескам численности населения — проблемам, отголоски которых мы ощущаем и сегодня. Тем не менее обнаружение таких тонких следов требует кропотливой работы и часто зависит от опыта и чуткого взгляда археологов на раскопках. В этом исследовании изучается, как лучи видимого и ближнего инфракрасного света в сочетании с современным искусственным интеллектом могут превратить незаметную землю в подробную карту прошлой человеческой активности, ускоряя открытия и снижая затраты и неопределённость.

Поиск следов в обыденной почве

Древние человеческие поселения не всегда представлены грандиозными храмами или городскими стенами. Многие из них — это ямы с золой, захоронения, рвы, утрамбованные земляные валы или кучи обломков строительных материалов, которые со временем сливаются с окружающими отложениями. Традиционные обследования и даже спутниковые снимки с трудом различают такие объекты и естественные почвы, когда они малы или глубоко залегают. Центральный Китай, колыбель китайской цивилизации с пятью тысячелетиями почти непрерывного заселения, представляет собой идеальную тестовую площадку. Здесь фермеры и реки неоднократно преобразовывали ландшафт, оставив сложную мозаику культурных отложений — например, рвы и утрамбованные платформы — перемежающихся с лёссами, палеопочвами и озёрными отложениями.

Превращение света в отпечатки прошлого

Чтобы захватить тонкие различия между этими материалами, исследователи собрали более 14 000 спектральных образцов на 27 археологических объектах по всей Центральной части Китая. С помощью полевого спектрометра при ясном полуденном небе они измеряли, как каждый тип почвы или руин отражает свет в сотнях узких диапазонов длины волны — от видимых цветов до ближнего инфракрасного диапазона. Каждый образец таким образом становился своего рода оптическим отпечатком, сформированным размером зерен, влажностью, содержанием органики и минералогическим составом. Команда сосредоточилась на восьми категориях: ямы с золой, захоронения, рвы, утрамбованные земляные сооружения, архитектурные обломки, лёсс, палеопочвы и озёрные (лакустровые) отложения. Эти образцы охватывают культуры от ранних неолитических поселений до ранней имперской эпохи Китая и отражают и человеческую деятельность, и разнообразие природных условий.

Очистка сигнала и обучение машины

Сырой спектральный материал зачастую «грязный». Водяной пар в атмосфере вносит шум в отдельные полосы; особенности прибора, изменения освещения и неоднородность размеров зерен дополнительно затуманивают картину. Сначала команда удалила сильно искажённые области по длине волны, а затем протестировала три математические техники для очистки оставшихся кривых. Одна из них, называемая стандартной нормальной вариацией (SNV), масштабирует каждый спектр, чтобы уменьшить влияние рассеяния и различий в размере зерен. Другая, коррекция множественного рассеяния, отделяет свет, поглощённый материалом, от света, рассеиваемого частицами. После предобработки каждый одномерный спектр был преобразован в небольшое 39×39 оттенков серого изображение, рассматривая спектральную кривую как текстуру, которую компьютер может распознать. Затем исследователи обучили несколько моделей глубокого обучения — включая AlexNet, MobileNetV2 и более глубокую остаточную сеть ResNet50 — классифицировать эти изображения по восьми типам руин и отложений.

Насколько хорошо работает интеллектуальный классификатор

Лучшей оказалась комбинация предобработки SNV и сети ResNet50. Эта связка достигла общей точности классификации около 96,6 процента, превзойдя ту же сеть без предобработки и другие нейронные модели. Она оказалась особенно сильной при различении материалов, похожих невооружённым глазом, таких как разные погребённые отложения. Даже когда исследователи сократили объём обучающих данных до 40 процентов от доступных образцов, точность оставалась выше 93 процентов и неуклонно росла по мере добавления примеров. Анализ матриц ошибок показал, что некоторые категории, такие как озёрные отложения и лёсс, определяются с особенно высокой надёжностью, в то время как даже самая сложная категория — архитектурные обломки — достигла точности выше 95 процентов.

Что это значит для археологии и не только

Для неспециалистов ключевой результат прост: просветив почву широким спектром света и позволив настроенной нейронной сети интерпретировать отражения, археологи могут быстро и объективно картировать места, где люди когда‑то жили, вели сельское хозяйство и строили — даже когда стены или артефакты невидимы. Этот метод снижает зависимость от личного опыта, ускоряет полевые обследования и открывает путь к масштабным полуавтоматическим сканированиям ландшафтов в поисках тонких культурных следов. Хотя текущая база данных адаптирована к климату и истории Центрального Китая, тот же подход можно распространить на другие регионы и исторические периоды по мере создания дополнительных спектральных библиотек. В перспективе сочетание гиперспектрального зондирования, искусственного интеллекта и других дистанционных инструментов может изменить способ исследования похороненной истории, давая нам более чёткое представление о том, как ранние общества справлялись с изменениями окружающей среды — и о том, как мы можем последовать их примеру.

Цитирование: 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

Ключевые слова: гиперспектральная археология, древние человеческие руины, глубокое обучение, ближние инфракрасные спектры, обнаружение наследия