Metoder för identifiering och utvärdering av skicket på Peking‑avsnittet av den kinesiska stadsmuren

Varför murens hälsa spelar roll i dag

Den kinesiska muren är mer än en vykortsbild; det är ett ingenjörsproblem för 2000‑talet. Med sina sträckningar över bergig terräng runt Peking äts tegel‑ och stensektionerna långsamt upp av väder, växtlighet och intensiv turism. Att inspektera en så omfattande struktur sten för sten är omöjligt för mänskliga team på egen hand. Denna studie visar hur drönare, satellitliknande avbildning och artificiell intelligens kan samarbeta för att automatiskt skanna muren och ge varje del en bedömning av dess kondition, vilket hjälper konservatorer att fatta beslut om var åtgärder behövs innan skador blir irreversibla.

Fyra sätt en mur kan fallera

För att lära datorer vad som är ”friskt” respektive ”sjukt” behövde forskarna först enas om enkla, verklighetsnära skade‑kategorier. De delade upp den murnära delen av muren i Peking i fyra synliga tillstånd. I det första är muren i stort sett intakt, ofta tack vare tidigare reparationer och regelbundna inspektioner. Det andra visar lokala defekter—saknade tegelstenar, sprickor eller brutna stenar—medan huvudstrukturen fortfarande står kvar. Det tredje domineras av växtlighet, där rötter tränger in och kilas sönder i murverket. Det fjärde är mest allvarligt, med stora kollapser av torn och mursektioner som lämnar endast låga rester. Dessa kategorier omvandlar ett komplext bevarandebehov till uppsättningar tydliga visuella mönster som datorer kan lära sig att känna igen.

Att bygga en digital tvilling av hundratals kilometer

Med dessa fyra tillstånd som grund samlade teamet ett stort digitalt ögonblicksbild av muren. Genom drönarflygningar och tredimensionella modeller samlade de bilder som täcker mer än 500 kilometer mur runt Peking och destillerade detta till över 300 kilometer högkvalitativa ortofoton—luftbilder korrigerade så att avstånd och vinklar på skärmen stämmer med verkligheten på marken. Specialister ritade sedan precisa konturer runt skadade områden och märkte upp dem enligt de fyra kategorierna. En trestegs granskningsprocess kontrollerade dessa etiketter mot reparationsregister och expertbedömningar. Resultatet är en detaljerad datamängd med 3 408 bildrutor, vardera 512 gånger 512 pixlar, komplett med geografiska koordinater och versionshistorik—i praktiken en spårbar, zoombar karta över murens tillstånd.

Att lära en slimmad AI att läsa murens sprickor

Studien kärna är en ny datorvisionsmodell kallad MEP‑deep, utformad för att urskilja subtila skade‑mönster i dessa bilder samtidigt som den är tillräckligt lätt för att köras på måttlig hårdvara. Byggd på en kompakt neuronnätsarkitektur ursprungligen skapad för smartphones, lägger modellen till två ”attention”‑komponenter som hjälper den att fokusera på det som är viktigast. Den ena justerar hur starkt olika bilddrag vägs, så att signaler från sprickor och saknade tegelstenar framträder tydligare mot bakgrunden. Den andra betraktar hur mönster är ordnade i rummet, vilket gör det möjligt att särskilja exempelvis en naturlig sten från en sten som en gång var del av muren. Testad inte bara på datasetet från muren utan även mot en standardiserad internationell benchmark för urbana bilder, presterade modellen något men konsekvent bättre än flera etablerade metoder, samtidigt som den använde betydligt färre beräkningsresurser.

Att omvandla färger på en karta till handlingsbara poäng

Att känna igen skadade ytor är bara halva historien; förvaltare behöver också ett tal som sammanfattar hur en sträcka av muren mår. Forskarna skapade därför ett poängsystem baserat på andelen av varje skadetyp inom en given sektion. Områden med mer intakt murverk får högre poäng, medan sektioner dominerade av kollaps eller tät växtlighet straffas hårdare. En matematisk ”förfallsterm” säkerställer att även små ökningar i allvarliga skadetyper märkbart sänker poängen, vilket speglar deras outsized påverkan på säkerhet och autenticitet. Genom att jämföra poäng beräknade från människomärkta etiketter med de som modellen förutsade på flera restaurerade avsnitt visade teamet att det automatiserade systemet kan approximera expertbedömningar tillräckligt väl för att vägleda var man bör titta först på marken.

Vad detta innebär för murens framtid

Kort sagt förvandlar detta arbete Pekings mur i sten till en levande datamängd som kan övervakas över tid. I stället för att vänta på uppenbara kollapser kan kulturarvsförvaltare använda drönarflygningar och MEP‑deep‑modellen för att generera uppdaterade skadekartor och hälsopoäng för långa, svårtillgängliga sträckor av muren. Författarna erkänner att ännu mer exakta, tyngre AI‑modeller finns, men deras lättviktiga angreppssätt är praktiskt för fältbruk och kan förbättras ytterligare. Utanför Kina kan samma kombination av tydliga visuella kategorier, omsorgsfullt uppbyggda dataset och effektiv AI hjälpa till att skydda andra långa, sårbara kulturarv—från forntida gränser till historiska kanaler—genom att omvandla utspridda stenar till handlingsbar information.

Citering: Liu, F., Wang, Z., Zhang, Z. et al. Identification methods and evaluation metrics for the condition of the Beijing masonry Great Wall. npj Herit. Sci. 14, 122 (2026). https://doi.org/10.1038/s40494-026-02392-z

Nyckelord: Bevarandet av den kinesiska muren, övervakning av kulturarv, fjärranalys, djupinlärning, detektion av strukturskador