Förbättrad klassificering av forntida människors lämningar med residuala neurala nätverk using synligt och nära-infrarött spektrum

Varför begravda städer fortfarande är viktiga i dag

Över hela världen ligger spår av för länge sedan försvunna städer och åkrar dolda under våra fötter, utjämnade till vanlig jord av tusentals års vind, vatten och jordbruk. Dessa begravda lämningar rymmer ledtrådar om hur tidigare samhällen anpassade sig till klimatförskjutningar, översvämningar och befolkningsökningar—problem som speglar våra egna. Att hitta sådana subtila ruiner är dock mödosamt arbete som ofta förlitar sig på ett erfaret öga på en utgrävning. Denna studie utforskar hur strålar av synligt och nära-infrarött ljus, i kombination med modern artificiell intelligens, kan förvandla oansenlig jord till en rik karta över tidigare mänsklig aktivitet, påskynda upptäckter samtidigt som kostnader och gissningar minskas.

Letar efter spår i vanlig mark

Forntida människors lämningar är inte alltid storslagna tempel eller stadsmurar. Många är askgropar, gravar, vallgravar, stampade jordkonstruktioner eller högar av krossade byggnadsmaterial som med tiden smälter in i omgivande sediment. Traditionella fältundersökningar och till och med satellitbilder har svårt att skilja dessa strukturer från naturliga jordar när de är små eller djupt begravda. Centrala Kina, en vagga för kinesisk civilisation med fem millennier av nästan kontinuerlig bosättning, utgör ett perfekt testområde. Där har bönder och floder omformat landskapet om och om igen och lämnat ett komplext lapptäcke av kulturella avlagringar—som vallgravar och stampade jordplattformar—infiltrerade med lössjord, paleosoler och sjöbottenavlagringar.

Gör ljus till förflutenhetens fingeravtryck

För att fånga subtila skillnader mellan dessa material samlade forskarna mer än 14 000 spektrala prover på 27 arkeologiska platser i centrala Kina. Med en fältspektrometer under klar middagshimmel mätte de hur varje jord- eller lämningstyp reflekterade ljus över hundratals smala våglängdsband, från synliga färger in i det nära-infraröda. Varje prov blev därmed en sorts optiskt fingeravtryck, format av kornstorlek, fukt, organiskt innehåll och mineralkomposition. Teamet fokuserade på åtta kategorier: askgropar, gravar, vallgravar, stampade jordkonstruktioner, byggnadsrester, lössjord, paleosoler och lacustrina (sjö-) sediment. Proverna spänner över kulturer från tidiga neolitiska byar till det tidiga kejsardömet och fångar både mänsklig aktivitet och varierande naturliga miljöer.

Rengöring av signalen och maskininlärning

Rå spektraldata är röriga. Vattenånga i atmosfären ger upphov till brusiga band; instrumentegenskaper, ljusvariationer och ojämn kornstorlek fördunklar bilden ytterligare. Teamet tog först bort kraftigt störda våglängdsområden och testade sedan tre matematiska tekniker för att rensa de återstående kurvorna. En metod, kallad Standard Normal Variate (SNV), omskalade varje spektrum för att minska inverkan av spridning och kornstorleksskillnader. En annan, Multiple Scattering Correction, skiljer ljus som absorberas av materialet från ljus som sprids av partiklar. Efter förbehandling omformades varje endimensionella spektrum till en liten 39x39 gråskalebild, genom att behandla spektralkurvan som en textur som en dator kan känna igen. Forskarna tränade sedan flera djupa inlärningsmodeller—inklusive AlexNet, MobileNetV2 och ett djupare residualnätverk känt som ResNet50—för att klassificera dessa bilder i de åtta lämning- och sedimenttyperna.

Hur väl den smarta klassificeraren presterar

Den bästa kombinationen var SNV-förbehandling tillsammans med ResNet50-nätverket. Denna koppling nådde en total klassificeringsnoggrannhet på cirka 96,6 procent, och överträffade samma nätverk utan förbehandling samt de andra neurala modellerna. Den visade sig särskilt stark när det gällde att skilja material som liknar varandra för blotta ögat, såsom olika begravda sediment. Även när forskarna reducerade mängden träningsdata till endast 40 procent av de tillgängliga proverna förblev noggrannheten över 93 procent, och ökade stadigt när fler exempel lades till. Analys av förväxlingsmatriser visade att vissa kategorier, såsom lacustrina sediment och lössjord, identifierades med särskilt hög tillförlitlighet, medan även den svåraste klassen—byggnadsrester—fortfarande nådde en noggrannhet över 95 procent.

Vad detta betyder för arkeologi och vidare

För icke-specialister är huvudresultatet enkelt: genom att belysa jord med ett brett spektrum av ljus och låta ett finjusterat neuralt nät tolka reflektionerna kan arkeologer snabbt och objektivt kartlägga var människor en gång bodde, brukade marken och byggde—även när inga murar eller artefakter är synliga. Denna metod minskar beroendet av personlig erfarenhet, påskyndar fältundersökningar och öppnar dörren för storskaliga, semi-automatiska skanningar av landskap i jakt på subtila kulturella spår. Även om den nuvarande datasetet är anpassat till klimatet och historien i centrala Kina, kan samma tillvägagångssätt utvidgas till andra regioner och tidsperioder i takt med att fler spektralbibliotek byggs upp. På sikt kan en kombination av hyperspektral avkänning, artificiell intelligens och andra fjärranalysverktyg förändra hur vi utforskar begravda historier, och ge oss skarpare insikter i hur tidigare samhällen hanterade miljöförändringar—och hur vi kan göra detsamma.

Citering: 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

Nyckelord: hyperspektral arkeologi, forntida människors lämningar, djupinlärning, när-infrarött spektrum, kulturarvsdetektion