Arkeolojik göstergelerin geriye dönük tespitine yönelik fiziksel tabanlı modelleme (bitki izleri)

Günlük tarlarda saklı hikâyeler

Dünyanın birçok yerinde sıradan tarla alanları, eski mezarlar, duvarlar ve yerleşim izlerini sessizce örtüyor. Bu gömülü yapılar, üzerlerindeki bitkilerin büyüme şeklini ince biçimde değiştirerek havadan veya uydudan görülebilen bitki izleri adı verilen hafif desenler oluşturur. Bu çalışma, fiziksel tabanlı modeller ile modern makine öğrenmesinin, o desenleri eski arşiv görüntülerinde bile tespit etmek için birlikte nasıl çalışabileceğini gösteriyor; böylece toprağa zarar vermeden geçmiş peyzajları keşfetmenin yeni yolları açılıyor.

Gömülü kalıntılar bitkilerin büyümesini nasıl değiştirir

Taş yapılar yüzeyin hemen altında yer aldığında su ve besin maddelerinin toprak içindeki hareketini değiştirir. Bazı yerlerde bitkiler bodur kalıp strese girerken; başkalarında daha güçlü büyüyerek negatif veya pozitif bitki izleri oluştururlar. Bu farklılıklar genellikle çıplak gözle çok ince olsa da, yaprakların görünür ve yakın kızılötesi dalga boylarında güneş ışığını nasıl yansıttığını değiştirir. Bu yansımaları ölçerek, araştırmacılar toprağın altında ne olduğunu işaret eden stresin spektral “parmak izlerini” saptayabilirler.

Eski bir alanı taklit etmek için kurulan test tarlası

Bu sinyalleri kontrollü koşullarda incelemek için ekip, Kıbrıs’ın Alampra köyü yakınında küçük bir arpa tarlası kullandı. Beşe beş metrelik bu parselin altında, yüzeye yakın derinlikte eski mezarları andıracak şekilde yapılar inşa edildi ve doğal toprak katmanları özenle korundu. On üç yıl arayla iki büyüme mevsimi boyunca, gömülü özelliklerin üzerindeki, civardaki sağlıklı bitkilerin ve çıplak toprağın yansıttığı ışığın ayrıntılı ölçümleri toplandı. Yeni kampanya, bitkilerin en yeşil olduğu kış aylarına ve daha sonra yaşlanıp kurudukça geçen döneme odaklandı.

Sanal veri oluşturmak için bitki ışığını simüle etmek

Yaklaşımın özü, PROSAIL adlı bir bilgisayar modelidir; bu model yapraklardan ve bitki örtüsünden geçen ışığın fiziğini kullanarak bir sensörün gördüklerini yaprak pigmentleri, su içeriği ve yoğunluk gibi bitki özelliklerine bağlar. Araştırmacılar önce modeli “tersine çevirdiler”: ölçülen spektrumları modele verip hangi bitki özellikleri kombinasyonlarının bunları açıklayabileceğini sordular ve çözümü bitki bilimi kaynaklı gerçekçi değerlere doğru nazikçe yönlendirdiler. Bu tahmin edilen özelliklerden, her bir gözlem tarihi için hem bitki izleri hem de sağlıklı bitkiler hakkında her özelliğin nasıl değiştiğine ve özelliklerin birbirine nasıl bağlı olduğuna dair istatistiksel tanımlamalar kurdular.

Makine öğrenmesi için sentetik tarlalar oluşturmak

Bu istatistiksel desenleri kullanarak ekip, büyük sentetik bitki özellikleri setleri oluşturdu ve PROSAIL’i ileri yönde çalıştırarak her bitki durumu ve tarih için binlerce gerçekçi “sanal” spektrum üretti. Her sentetik spektrumun bilinen bir etiketi vardı: gömülü yapının üstünde veya sağlıklı alanda. Ardından bu sentetik veriler üzerinde farklı makine öğrenmesi sınıflandırıcılarının bir topluluğunu eğittiler; bazen gerçek sensörleri daha iyi taklit etmek için küçük miktarlarda gürültü de eklediler. Ana test geriye dönüktü: 2025 kampanyasından inşa edilen modellerden 2012 ölçümlerindeki bitki izi imzalarını tanımlamaları istendi; bu, bu araçların eski hava veya uydu kayıtlarını nasıl tarayabileceğini simüle etti.

Zamanlama ve güvenilirlik hakkında modellerin ortaya koydukları

Geriye dönük testler, yöntemin uygun koşullar altında geçmiş imzaların yüzde 90’ından fazlasını doğru sınıflandırabildiğini gösterdi. Modeller, bitkilerin en yoğun yeşillik evresinde, örtü sıkı ve yaprak özellikleri nispeten tekdüze olduğunda en iyi çalıştı. Bu dönemde basit, neredeyse lineer sınıflandırıcılar bile iyi performans gösterdi ve gürültü eklemek modelleri biraz daha dayanıklı hâle getirdi. Sezon yaşlanma dönemine girip bitkiler renk ve yapı bakımından daha düzensiz hâle geldikçe tahminler daha az stabil ve sentetik verinin miktarına daha duyarlı oldu. Yine de sentetik spektrumlar gerçek olanlara yakın kaldı ve makine öğrenmesi modelleri dikkatlice ayarlandığında hâlâ faydalı desenler bulabildi.

Geçmişi keşfetmek için neden önemli

Bu araştırma, bitkilerin ışıkla nasıl etkileştiğine dair fiziksel modellerden başlayan, bu modelleri sentetik eğitim verileri oluşturmak için kullanan ve ardından makine öğrenmesini uygulayarak geçmiş insan faaliyetlerinin ince izlerini tespit eden tekrarlanabilir bir iş akışı gösteriyor. Uzman olmayanlar için temel fikir şu: artık bitki fiziğini anlayışımızı kullanarak bilgisayarlara gömülü kalıntıların spektral olarak nasıl görünmesi gerektiğini “öğretebilir” ve sonra bu eğitilmiş algılayıcıları arşiv görüntülerinde geriye gönderebiliriz. Mevcut çalışma tek bir test parseline dayanıyor ve farklı bitkiler, topraklar ve iklimlere genişletilmesi gerekiyor, fakat uzun zaman önce solmuş bitki izlerini hava ve uydu arşivlerinde sistematik olarak taramaya yönelik bir yol sunuyor; bu da arkeologların bugünün manzarasında artık görünmeyen gizli alanları yeniden keşfetmesine yardımcı olabilir.

Atıf: 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

Anahtar kelimeler: bitki izleri, arkeolojik araştırma, uzaktan algılama, sentetik veri, makine öğrenmesi