Физически обоснованное моделирование для ретроспективного обнаружения археологических прокси (культурных следов на посевах)

Скрытые истории в обычных полях

Во многих регионах обычные посевные площади тихо скрывают следы древних могил, стен и поселений. Эти захороненные структуры могут тонко влиять на рост растений над ними, создавая едва заметные рисунки — культурные следы, которые становятся видимыми с воздуха или со спутника. В этом исследовании показано, как физически обоснованные модели и современные методы машинного обучения могут работать совместно для выявления таких шаблонов, даже на старых архивных изображениях, открывая новые способы изучения прошлых ландшафтов без нарушения почвы.

Как захоронения меняют рост растений

Когда каменные конструкции расположены близко к поверхности, они меняют движение воды и питательных веществ в почве. В одних местах посевы отстают в росте и испытывают стресс; в других — растут энергичнее, формируя отрицательные или положительные культурные следы. Эти отличия часто слишком тонки для невооружённого глаза, но они меняют то, как листья отражают солнечный свет в видимом и ближнем инфракрасном диапазонах. Измеряя это отражённое излучение, исследователи могут выявлять спектральные «отпечатки» стресса, указывающие на то, что скрыто под почвой.

Испытательное поле, имитирующее древний памятник

Чтобы изучать эти сигналы в контролируемых условиях, команда использовала небольшой ячмёновый участок рядом с деревней Алампра на Кипре. Под этим пятиметровым участком они построили конструкции, спроектированные по образцу древних могил на небольшой глубине, при этом тщательно сохранив естественную почвенную стратификацию. В течение двух вегетаций, разделённых тринадцатью годами, они собирали подробные измерения отражённого света от растений над захоронениями, от здоровых посевов поблизости и от оголённой почвы. Новая кампания была сосредоточена на ключевых зимних месяцах, когда посевы имеют максимум зелёности, а затем — по мере их старения и высыхания.

Моделирование отражения растений для создания виртуальных данных

Ядром подхода является компьютерная модель PROSAIL, которая использует физику прохождения света через листья и растительный полог, чтобы связать то, что видит сенсор, с характеристиками растений — например, пигментами листьев, содержанием воды и плотностью. Исследователи сначала «инвертировали» модель: они подавали ей измеренные спектры и выясняли, какие комбинации свойств растений могут их объяснить, одновременно направляя решение к реалистичным значениям, известным из агрономии. На основе этих оценённых свойств они построили статистические описания того, как каждое свойство варьируется и как свойства взаимосвязаны для культурных следов и для здоровых растений на каждую дату наблюдения.

Построение синтетических полей для машинного обучения

Используя эти статистические закономерности, команда сгенерировала большие синтетические наборы свойств растений и прогнала PROSAIL в прямом направлении, чтобы получить тысячи реалистичных «виртуальных» спектров для каждого состояния посева и даты. Каждый синтетический спектр имел известную метку: над захоронением или над здоровым участком. Затем они обучили ансамбль различных классификаторов машинного обучения на этих синтетических данных, иногда добавляя небольшие объемы шума, чтобы лучше имитировать реальные сенсоры. Ключевой проверкой была ретроспектива: модели, построенные на данных кампании 2025 года, просили выявить подписи культурных следов в измерениях 2012 года, имитируя тем самым, как такие инструменты могли бы обрабатывать старые аэро- или спутниковые архивы.

Что модели показали о времени и надёжности

Ретроспективные тесты показали, что метод может корректно классифицировать более 90 процентов прошлых сигнатур при благоприятных условиях. Модели работали лучше всего, когда посевы находились в фазе максимальной зелёности, когда полог плотный и свойства листьев относительно однородны. В этот период даже простые, близкие к линейным, классификаторы показывали хорошие результаты, а добавление шума делало модели немного более устойчивыми. По мере перехода сезона в старение и увеличения неоднородности окраски и структуры растений прогнозы становились менее стабильными и более зависимыми от объёма синтетических данных, использованных для обучения. Тем не менее синтетические спектры оставались близкими к реальным, и модели машинного обучения всё ещё могли находить полезные закономерности, особенно при тщательной настройке.

Почему это важно для изучения прошлого

Это исследование демонстрирует воспроизводимый конвейер, который начинается с физических моделей взаимодействия растений со светом, использует эти модели для построения синтетических обучающих данных и затем применяет машинное обучение для обнаружения тонких следов прошлой человеческой деятельности. Для неспециалиста ключевая идея в том, что теперь мы можем использовать наши знания о физике растений, чтобы «научить» компьютеры распознавать, как выглядят захоронения в спектральном смысле, а затем отправить эти обученные детекторы назад во времени для поиска по архивным снимкам. Хотя текущая работа основана на одном опытном участке и требует расширения на разные культуры, типы почв и климатические условия, она предлагает путь к систематическому сканированию аэро- и спутниковых архивов в поисках давно выцветших культурных следов, помогая археологам заново открывать скрытые памятники, которые современный ландшафт уже может не выдавать.

Цитирование: 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

Ключевые слова: культурные следы, археологическая съёмка, дистанционное зондирование, синтетические данные, машинное обучение