Görünür yakın kızılötesi spektral veriler kullanılarak artık sinir ağlarıyla antik insan kalıntılarının sınıflandırılmasının geliştirilmesi

Neden gömülü şehirler bugün hâlâ önemli

Dünya çapında, bir zamanlar var olmuş kasaba ve tarlaların izleri ayaklarımızın altında, binlerce yıl süren rüzgâr, su ve tarım etkisiyle sıradan toprak içinde bulanıklaşmış şekilde yatıyor. Bu gömülü kalıntılar, önceki toplumların iklim değişikliklerine, sellerine ve nüfus artışlarına nasıl uyum sağladığına dair ipuçları barındırıyor—bizim sorunlarımızla yankılaşan meseleler. Ancak bu tür ince kalıntıları bulmak genellikle kazı sahasındaki deneyimli bir gözün becerisine dayanan zahmetli bir iş. Bu çalışma, görünür ve yakın kızılötesi ışık demetlerini modern yapay zekâ ile eşleştirerek sıradan toprağı geçmiş insan etkinliğinin zengin bir haritasına nasıl dönüştürebileceğini; böylece keşifleri hızlandırıp maliyet ve tahmin gereksinimini nasıl azaltabileceğini araştırıyor.

Alışılagelmiş zeminde iz aramak

Antik insan kalıntıları her zaman görkemli tapınaklar veya şehir surları biçiminde değildir. Birçoğu kül çukurları, mezarlar, savunma hendekleri, sıkıştırılmış toprak duvarlar ya da zaman içinde çevre sedimentlerle kaynaşan kırılmış yapı malzemesi yığınlarıdır. Geleneksel yüzey taramaları ve hatta uydu görüntüleri, bu özellikler küçük veya derine gömülü olduğunda onları doğal topraklardan ayırt etmekte zorlanır. Çin’in orta bölgeleri—yaklaşık beş bin yıllık neredeyse sürekli yerleşimle Çin medeniyetinin beşiği—mükemmel bir test alanı sunar. Orada çiftçiler ve nehirler araziyi tekrar tekrar şekillendirmiş, hendekler ve sıkıştırılmış toprak platformları gibi kültürel örtüler ile löss, paleotoraklar ve göl tabanı sedimentlerinin iç içe geçtiği karmaşık bir yama oluşturmuştur.

Işığı geçmişin parmak izlerine dönüştürmek

Bu malzemeler arasındaki ince farkları yakalamak için araştırmacılar Orta Çin’deki 27 arkeolojik sahadan 14.000’den fazla spektral örnek topladılar. Açık bir öğle gökyüzü altında saha spektrometresi kullanarak, her toprak veya kalıntı tipinin görünür renkten yakın kızılötesiye kadar yüzlerce dar dalga boyu bandında ışığı nasıl yansıttığını ölçtüler. Böylece her örnek, tane boyutu, nem, organik içerik ve mineral bileşimi tarafından şekillendirilen bir tür optik parmak izine dönüştü. Ekip sekiz kategoriye odaklandı: kül çukurları, mezarlar, hendekler, sıkıştırılmış toprak yapılar, mimari kalıntılar, löss, paleotoraklar ve gölsel (lakustrin) sedimentler. Erken Neolitik köylerden erken imparatorluk dönemine kadar uzanan kültürleri kapsayan bu örnekler hem insan etkinliğini hem de çeşitli doğal ortamları temsil ediyor.

Sinyali arındırmak ve makineyi eğitmek

Ham spektral veriler karışıktır. Atmosferdeki su buharı gürültülü bantlar ekler; alet kusurları, aydınlatma değişimleri ve düzensiz tane boyutu resmi daha da bulandırır. Ekip önce ağır biçimde bozulmuş dalga boyu bölgelerini kaldırdı, ardından kalan eğrileri temizlemek için üç matematiksel tekniği test etti. Bunlardan biri, Standart Normal Değişken (SNV) olarak adlandırılan yöntem, saçılma ve tane boyutu farklarının etkisini azaltmak için her spektrumu yeniden ölçeklendirir. Diğeri, Çoklu Saçılma Düzeltmesi, malzeme tarafından emilen ışığı parçacıklar tarafından saçılan ışıktan ayırır. Ön işleme sonrası, her bir boyutsal spektrum 39x39 küçük bir gri tonlama görüntüsüne dönüştürülerek spektral eğri bilgisayarın tanıyabileceği bir doku gibi ele alındı. Araştırmacılar daha sonra AlexNet, MobileNetV2 ve ResNet50 olarak bilinen daha derin bir artık (residual) ağ dahil olmak üzere birkaç derin öğrenme modelini bu görüntüleri sekiz kalıntı ve sediment türüne sınıflandırmak üzere eğitti.

Akıllı sınıflandırıcının performansı nasıl

Öne çıkan performans, SNV ön işlemeye sahip ResNet50 ağının birleşimiydi. Bu eşleştirme, genel sınıflandırma doğruluğunu yaklaşık %96,6’ya ulaştırdı ve ön işleme olmadan aynı ağ ile diğer sinir modellerini geride bıraktı. Özellikle çıplak gözle benzer görünen farklı gömülü sedimentler gibi malzemeleri ayırt etmede güçlü olduğu görüldü. Araştırmacılar eğitim verisi miktarını kullanılabilir örneklerin yalnızca %40’ına düşürdüklerinde bile doğruluk %93’ün üzerinde kaldı ve daha fazla örnek eklendikçe istikrarlı biçimde arttı. Karışıklık matrisleri analizleri, gölsel sedimentler ve löss gibi bazı kategorilerin özellikle yüksek güvenilirlikle tanımlandığını; en zor sınıf olan mimari kalıntıların bile %95’in üzerinde doğruluk elde ettiğini gösterdi.

Arkeoloji ve ötesi için bunun anlamı

Uzman olmayanlar için ana sonuç basit: toprağa geniş spektralı ışık tutup ayın yansımalarını ayarlı bir sinir ağının yorumlamasına izin vererek arkeologlar, duvarlar veya eserler görünmese bile insanların nerede yaşadığını, tarım yaptığını ve inşa ettiğini hızlı ve nesnel bir biçimde haritalayabilir. Bu yöntem kişisel deneyime olan bağımlılığı azaltır, saha taramalarını hızlandırır ve ince kültürel izler arayan peyzajların büyük ölçekli, yarı-otomatik taramalarına kapı açar. Mevcut veri seti Orta Çin’in iklim ve tarihine özgü olsa da, aynı yaklaşım daha fazla spektral kütüphane oluşturuldukça diğer bölgelere ve zaman dilimlerine genişletilebilir. Uzun vadede hiperspektral algılama, yapay zekâ ve diğer uzaktan algılama araçlarının birleştirilmesi gömülü tarihleri keşfetme biçimimizi dönüştürebilir; bu sayede önceki toplumların çevresel değişimlerle nasıl başa çıktığına—and bizlerin de nasıl davranabileceğimize—daha net bir bakış sağlayabilir.

Atıf: 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

Anahtar kelimeler: hiperspektral arkeoloji, antik insan kalıntıları, derin öğrenme, yakın kızılötesi spektrumları, miras tespiti