ИИ обнаружил неизвестные объекты на лидарных снимках лесного региона
Археологи испытали новый подход к анализу лидарных данных, который может ускорить поиск древних и исторических объектов под плотным лесным покровом. Метод основан на обучении искусственного интеллекта не только на реальных находках, но и на специально созданных компьютерных моделях археологических сооружений.
Исследование проходило в национальном лесу Кисатчи в штате Луизиана. Специалисты изучали 12 необычных круглых объектов, заметных на цифровых моделях рельефа. Сначала предполагалось, что они могут быть остатками смоляных печей — сооружений, где из сосновой древесины получали дёготь, смолу и пек. Однако форма луизианских объектов отличалась от известных печей, найденных в других районах юго-востока США.
Именно недостаток достоверных примеров стал главным препятствием для машинного обучения. Двенадцати объектов было явно недостаточно, чтобы сформировать полноценную выборку. Поэтому исследователи создали виртуальные модели печей и разместили их на настоящих цифровых картах рельефа, полученных с помощью LiDAR. Эта технология фиксирует мельчайшие перепады высоты поверхности и позволяет выявлять следы человеческой деятельности даже там, где землю скрывают деревья и густая растительность.
Подробное описание эксперимента и его результатов представлено в материале о том, как искусственный интеллект обнаруживает неизвестные объекты в лидарных данных. Для обработки изображений команда использовала модели Mask R-CNN. Лидарные карты разделили на фрагменты: 80% применили для обучения, 10% — для проверки, ещё 10% — для итогового тестирования. Каждая модель прошла 15 циклов обучения, после чего показатели перестали заметно улучшаться.
Первый вариант алгоритма выдал 183 предполагаемых объекта. После автоматической фильтрации специалисты проверили 142 результата. Система распознала девять из 12 известных целей и дополнительно выделила шесть мест, заслуживающих дальнейшего изучения.
Вторая модель оказалась чувствительнее: первоначально она указала на 2032 объекта, а после очистки данных осталось 709 прогнозов. Алгоритм обнаружил все 12 известных структур и ещё 11 потенциально интересных объектов. При этом 686 результатов оказались ложными срабатываниями. Чаще всего программа принимала за археологические сооружения водоёмы, дренажные канавы и природные холмы типа мима.
Чтобы уменьшить количество ошибок, исследователи добавили дополнительные фильтры. Они анализировали не только очертания объектов, но и характер рельефа: искусственные сооружения имели форму, напоминающую углубление, тогда как природные холмы обычно выглядели выпуклыми.
Для сравнения специалисты обучили третью модель на реальных смоляных печах из Южной Каролины. Перед этим высотные данные адаптировали под особенности луизианского ландшафта. Такая система нашла 11 из 12 известных объектов и семь дополнительных целей, которые также требовали проверки.
Полевые работы, однако, изменили первоначальную интерпретацию. Археологи посетили 11 объектов и исследовали два из них с помощью почвенных буров. В грунте не обнаружили богатых углём слоёв, обугленной сосны, подземных деревянных труб для отвода смолы или плотных глиняных площадок — признаков, ожидаемых на месте смоляных печей.
Кроме того, круглые структуры располагались рядом с бывшим военным полигоном, использовавшимся во время Второй мировой войны. Сопоставление формы объектов, их расположения и сведений из военного учебного руководства позволило предположить, что они могли быть артиллерийскими позициями для гаубиц. Таким образом, автоматизированный анализ не подтвердил первоначальную гипотезу, но помог обнаружить объекты и пересмотреть их назначение.
Этот пример показывает, что поиск археологических объектов с помощью ИИ не сводится к автоматическому составлению карты памятников. Алгоритм способен быстро выделять необычные формы на огромной территории, однако окончательные выводы по-прежнему требуют проверки на местности, изучения почвы и сопоставления с историческими документами.
Главное преимущество технологии связано с экономией времени. Создание тысяч виртуальных объектов занимает минуты, тогда как ручная разметка реальных археологических памятников может продолжаться неделями или месяцами. Поэтому лидар в археологии всё чаще используется как инструмент предварительного отбора: он помогает сузить область поиска и направить экспедицию к наиболее перспективным участкам.
В перспективе подобные модели смогут работать с крупными наборами искусственных данных, включающими тысячи вариантов курганов, фундаментов, дорог, оборонительных сооружений и производственных площадок. Чем разнообразнее будут формы и условия размещения, тем лучше система сможет распознавать объекты, частично разрушенные эрозией, скрытые растительностью или изменённые современной деятельностью человека.
При этом археологические исследования с использованием LiDAR не отменяют традиционные методы. Снимки показывают форму рельефа, но не всегда позволяют понять возраст, функцию и культурную принадлежность находки. Для этого необходимы шурфы, бурение, анализ материалов, датировка и изучение архивов.
Перспективным направлением становится обнаружение скрытых археологических памятников в труднодоступных лесных районах, где пешее обследование занимает слишком много времени. ИИ может находить слабые и нестандартные признаки, которые сложно заметить при визуальном просмотре карт. Но каждое такое предположение должно рассматриваться как рабочая гипотеза, а не как доказанный факт.
В итоге эксперимент продемонстрировал практическую ценность искусственного интеллекта в археологии. Модель помогла обнаружить известные и новые объекты, сократить объём полевых поисков и поставить под сомнение первоначальную трактовку находок. Её роль заключается не в замене археолога, а в том, чтобы быстрее определить, где именно человеку следует проводить подробное исследование.