使用可见-近红外光谱与残差神经网络增强古代人类遗址分类

为什么被埋的古城今天仍然重要

在世界各地，久已消失的城镇和田地的痕迹隐藏在我们脚下，经千百年的风、雨和耕作而融入平常的泥土中。这些被掩埋的遗存包含了早期社会如何应对气候变化、洪水和人口激增的线索——这些问题与我们今天面临的挑战相呼应。然而，发现如此微妙的遗迹常常需要在发掘现场凭借经验细致辨认，耗时费力。本研究探讨了如何将可见光与近红外光束结合现代人工智能，把平凡的土壤转化为反映过去人类活动的丰富地图，从而加快发现速度并降低成本与猜测成分。

在寻常土地中寻找痕迹

古代人类遗址并不总是宏伟的寺庙或城墙。许多遗迹是灰坑、墓葬、防御壕、夯土墙或建筑残骸的堆积，随着时间推移与周围沉积物混合在一起。传统的地面调查甚至卫星影像在面对小型或深埋的构造时，很难将其与自然土壤区分开来。中国中部作为中华文明的摇篮，近五千年几乎连续的人类居住，为此类研究提供了理想的试验场。那里农耕和河流反复塑造土地，留下了复杂的文化沉积拼接：如护城河与夯土台基，与黄土、古土壤和湖泊沉积相互交织。

将光转化为过去的指纹

为捕捉这些材料间的微妙差异，研究者在中部中国的27处考古点采集了超过14,000个光谱样本。利用晴朗正午的野外光谱仪，他们测量了每种土壤或遗存如何在从可见光到近红外的数百个窄波段上反射光线。每个样本因此成为一种光学指纹，由颗粒大小、含水量、有机物含量和矿物组成等因素塑造。团队关注八类：灰坑、墓葬、护城河、夯土构筑、建筑碎片、黄土、古土壤以及湖相（湖泊）沉积。样本横跨从早期新石器时代村落到早期帝国时期，这些数据既反映人类活动，也涵盖多样的自然背景。

清理信号并教会机器识别

原始光谱数据往往嘈杂。大气中的水汽引入噪声波段；仪器特性、光照变化和不均匀的颗粒尺寸进一步模糊谱线。研究团队首先剔除了严重失真的波长区间，然后测试了三种数学技术以净化剩余曲线。其中一种称为标准正态变换（Standard Normal Variate，SNV），通过重新缩放每个光谱以降低散射与颗粒尺寸差异的影响。另一种，多次散射校正（Multiple Scattering Correction），将材料吸收的光与粒子散射的光分离。预处理后，每一道一维光谱被重塑为一个39×39的小型灰度图像，将光谱曲线视为计算机可以识别的纹理。研究者随后训练了若干深度学习模型——包括AlexNet、MobileNetV2以及更深的残差网络ResNet50——来将这些图像分类为八种遗迹与沉积类型。

智能分类器的表现如何

表现最突出的组合是SNV预处理与ResNet50网络。这一搭配实现了约96.6%的整体分类准确率，优于未做预处理的同一网络和其他神经模型。它在区分外观相似的材料（例如不同的埋藏沉积）方面尤其强大。即使当研究者将训练数据量减少到可用样本的40%时，准确率仍保持在93%以上，且随着样本增多而稳步上升。混淆矩阵分析显示，某些类别如湖相沉积和黄土被识别得特别可靠，而最难区分的类别——建筑碎片——其准确率仍超过95%。

这对考古学及更广领域意味着什么

对非专业人士来说，核心结论很直接：通过照射宽谱光并让经过调优的神经网络解读反射，考古学家可以快速且客观地绘制出人们曾生活、耕作与建造的地点分布——即便没有可见的墙体或文物。该方法减少了对个人经验的依赖，加快了田野调查，并为在更大尺度上进行半自动化扫描以寻找微妙文化痕迹打开了大门。尽管当前数据集针对中部中国的气候与历史进行了定制，但随着更多光谱库的建立，同样的方法可以扩展到其他区域与时期。长期来看，将高光谱感测、人工智能及其他遥感工具结合起来，可能会改变我们探索被埋历史的方式，使我们更清晰地理解早期社会如何应对环境变化——以及我们可能如何借鉴应对。

引用: 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

关键词: 高光谱考古, 古代人类遗址, 深度学习, 近红外光谱, 遗产检测