Sztuczna inteligencja odkrywa archeologiczne ślady ukryte pod lasami

Gęste lasy mogą przez stulecia skrywać pozostałości murów, dróg, ogrodzeń i ziemnych umocnień. Badania Gabriele Mazzakki i Fabia Remondina pokazują, że połączenie technologii LiDAR z głębokim uczeniem pozwala automatycznie analizować rozległe krajobrazy i wskazywać miejsca wymagające uwagi archeologów.

Miliony punktów opisujących ukryty krajobraz

Badanie terenów zalesionych należy do szczególnie trudnych zadań archeologii. Drzewa i gęste zarośla ograniczają widoczność z poziomu gruntu, a także zasłaniają pozostałości dawnych konstrukcji na konwencjonalnych zdjęciach lotniczych. Pod koronami drzew mogą tymczasem przetrwać fragmenty murów, przebieg dawnych dróg, ogrodzenia oraz umocnienia ziemne.

Technologia LiDAR pozwala częściowo ominąć tę przeszkodę. Rejestrując strukturę krajobrazu pod roślinnością, może ujawnić subtelne przekształcenia powierzchni, których nie sposób dostrzec podczas zwykłych oględzin. Rezultatem pomiarów są jednak ogromne chmury punktów — zbiory obejmujące niekiedy miliony elementów, których ręczne klasyfikowanie wymagałoby znacznego nakładu czasu.

Sztuczna inteligencja otwiera możliwość przeprowadzenia tej analizy na znacznie większą skalę. Algorytmy uczenia maszynowego i głębokiego uczenia mogą automatycznie oddzielać roślinność od powierzchni terenu, a następnie rozpoznawać przestrzenne układy mogące odpowiadać obiektom archeologicznym.

Trzy stanowiska, odmienne warunki badań

Możliwości takiego rozwiązania przeanalizowali Gabriele Mazzacca i Fabio Remondino. W badaniu opublikowanym w czasopiśmie „Heritage” naukowcy sprawdzili, jak różne modele sztucznej inteligencji radzą sobie z automatycznym klasyfikowaniem danych LiDAR pochodzących ze stanowisk ukrytych pod koronami drzew.

Testy przeprowadzono na trzech zbiorach danych reprezentujących odmienne krajobrazy i warunki pomiarowe. Pierwszy pochodził z San Martino ai Campi we włoskich Alpach, drugi z Roselle w Toskanii, a trzeci z Punta Križa w Chorwacji.

Różnice pomiędzy nimi były znaczące. San Martino ai Campi reprezentowało środowisko gęstego lasu alpejskiego, Roselle — śródziemnomorskie zbocze wzgórza, natomiast Punta Križa — słabiej porośnięty krajobraz wybrzeża. Każde z tych środowisk tworzyło inny obraz w danych LiDAR, wymagając od algorytmu rozpoznawania struktur w odmiennych warunkach terenowych.

Zbiory różniły się również gęstością punktów oraz rodzajem wykorzystanych czujników. San Martino ai Campi i Roselle zarejestrowano za pomocą drona, uzyskując od 500 do 750 punktów na metr kwadratowy. Dane z Punta Križa zostały zgromadzone z samolotu ponad dekadę wcześniej i zawierały zaledwie 16 punktów na metr kwadratowy. Różnica pomiędzy najgęstszymi a najrzadszymi danymi była więc niemal pięćdziesięciokrotna.

Algorytm uczony na zróżnicowanych krajobrazach

Badacze nie trenowali osobnych modeli dla każdego stanowiska. Wszystkie trzy zbiory wykorzystali łącznie, aby sprawdzić, czy system będzie potrafił rozpoznawać cechy archeologiczne w danych pochodzących z odmiennych środowisk i pozyskanych za pomocą różnych urządzeń.

Takie podejście unaoczniło jedno z zasadniczych wyzwań związanych z wykorzystaniem sztucznej inteligencji w archeologii. Skuteczność modelu zależy nie tylko od konstrukcji algorytmu, lecz także od jakości oraz różnorodności danych treningowych. System wytrenowany na jednym typie krajobrazu może mieć trudności z prawidłową interpretacją danych z obszaru o odmiennej roślinności, rzeźbie powierzchni albo gęstości pomiarów.

Mazzacca i Remondino opracowali wielopoziomowe podejście wielorozdzielcze, określane skrótem MLMR. Zamiast rozwiązywać cały problem klasyfikacji jednocześnie, metoda dzieliła go na dwa wyspecjalizowane etapy. Najpierw system odróżniał roślinność od pozostałych elementów chmury punktów. Następnie analizował pozostałe dane, próbując oddzielić zwykłą powierzchnię gruntu od potencjalnych konstrukcji.

Random Forest kontra Point Transformer

W ramach doświadczenia porównano dwa sposoby klasyfikowania danych. Pierwszym był konwencjonalny algorytm uczenia maszynowego Random Forest. Drugim — architektura głębokiego uczenia Point Transformer.

Największą różnicę zaobserwowano podczas rozpoznawania struktur. Point Transformer radził sobie z tym zadaniem wyraźnie lepiej niż Random Forest, wskazując na szczególną przydatność głębokiego uczenia w analizowaniu złożonych relacji przestrzennych występujących w archeologicznych chmurach punktów.

Ma to istotne znaczenie, ponieważ pozostałości dawnych konstrukcji rzadko zachowują regularne i łatwe do rozpoznania kształty. Mur może przetrwać jedynie we fragmentach, przebieg dawnego ogrodzenia może zostać zniekształcony przez erozję, a część struktury może nadal pozostawać przesłonięta roślinnością.

Modele głębokiego uczenia mogą analizować wzajemne położenie sąsiednich punktów i rozpoznawać złożone układy bez konieczności opierania się przede wszystkim na ręcznie zdefiniowanych cechach geometrycznych. Dzięki temu są w stanie wykrywać także wzorce niepełne, nieregularne lub częściowo zakłócone.

Model przygotowany na niedoskonałe dane

Sam dwuetapowy schemat nie był całkowicie nowym rozwiązaniem. Mazzacca i jego współpracownicy stosowali podobne podejścia już we wcześniejszych pracach. Nowość opisywanego badania polegała przede wszystkim na sposobie trenowania drugiego etapu systemu.

We wcześniejszych wersjach oba etapy uczyły się na podstawie czystych, ręcznie sprawdzonych etykiet. Rozwiązanie takie dobrze działało podczas prób laboratoryjnych, ale nie odpowiadało warunkom rzeczywistego zastosowania. Po uruchomieniu całego procesu drugi etap nie otrzymuje bowiem idealnie przygotowanych informacji, lecz wynik działania pierwszego modelu — wraz z popełnionymi przez niego błędami.

Badacze postanowili więc trenować drugi etap na rzeczywistych przewidywaniach pierwszego. Model wykrywający struktury otrzymywał bardziej zaszumiony i niedoskonały materiał, podobny do tego, z jakim miałby do czynienia po zastosowaniu na nowym stanowisku.

W praktyce oznaczało to uczenie systemu działania w warunkach zbliżonych do rzeczywistych. Pozwoliło również usunąć etap ręcznego poprawiania danych pomiędzy kolejnymi częściami procesu. Dzięki temu analiza może przebiegać automatycznie od początku do końca, co zwiększa możliwość wykorzystania jej na rozległych i dotychczas niezmapowanych obszarach leśnych.

Większa rozdzielczość nie gwarantuje lepszych wyników

Jednym z najważniejszych rezultatów badania było ustalenie wpływu rozdzielczości danych LiDAR na skuteczność klasyfikacji. Naukowcy przetestowali zbiory opracowane w rozdzielczościach 0,3, 0,5 oraz 1 metra.

W przypadku kompleksowego modelu Point Transformer średni wskaźnik IoU wyniósł 76,65 proc. dla rozdzielczości 0,3 metra, 75,14 proc. dla 0,5 metra oraz 70,08 proc. dla 1 metra. Najbardziej szczegółowe dane przyniosły więc najlepszy wynik ogólny.

Inaczej przedstawiała się jednak skuteczność rozpoznawania samych struktur — kategorii najważniejszej z punktu widzenia archeologów. Po zwiększeniu szczegółowości z 0,5 do 0,3 metra wynik dla tej klasy nie poprawił się, lecz nieznacznie spadł: z 51,92 do 51,42 proc. IoU.

Dodatkowa szczegółowość wymagała przy tym znacznie większych zasobów obliczeniowych. Trenowanie modelu w rozdzielczości 0,3 metra trwało 8 godzin i 33 minuty, podczas gdy dla 0,5 metra wystarczyły 2 godziny i 4 minuty. Czas obliczeń wzrósł zatem około czterokrotnie, nie przynosząc poprawy w rozpoznawaniu struktur.

Za najbardziej opłacalny wariant badacze uznali rozdzielczość 0,5 metra. W przypadku analizowania rozległych obszarów kompromis pomiędzy szczegółowością danych, skutecznością modelu i kosztami obliczeniowymi może być ważniejszy niż osiągnięcie najwyższego wyniku ogólnego.

Prostszy model okazał się skuteczniejszy

Naukowcy zestawili dwuetapowy system MLMR z prostszym rozwiązaniem. Był nim kompleksowy model Point Transformer, który klasyfikował wszystkie elementy w jednym przebiegu, bez wcześniejszego oddzielania roślinności.

Rezultaty nie potwierdziły przewagi bardziej rozbudowanego procesu. Jednoprzebiegowy model pracujący w rozdzielczości 0,5 metra nieznacznie przewyższył najlepszą konfigurację MLMR zarówno pod względem ogólnej dokładności, jak i skuteczności wykrywania struktur. Jego trenowanie trwało przy tym mniej więcej o połowę krócej.

Starannie podzielony na etapy proces nie zapewnił więc lepszego wyniku. Prostsza architektura okazała się szybsza, równie dokładna, a w niektórych pomiarach nawet skuteczniejsza.

Nie oznacza to jednak, że MLMR jest rozwiązaniem pozbawionym wartości. Jego etapowa konstrukcja pozwala archeologom sprawdzić wynik filtrowania roślinności jeszcze przed rozpoczęciem rozpoznawania struktur. Błędy można dzięki temu zauważyć wcześniej, zamiast dopiero po zakończeniu całej analizy.

W projektach obejmujących tysiące kilometrów kwadratowych taki punkt kontrolny może okazać się ważniejszy niż niewielka przewaga szybkości. W przypadku pojedynczego stanowiska, gdzie największe znaczenie mają czas oraz dokładność końcowa, korzystniejszy może być natomiast prostszy model jednoprzebiegowy.

Dwie metody, dwa rodzaje pomyłek

Podobne wyniki ogólne nie oznaczały, że oba systemy zachowywały się jednakowo. Każdy z nich popełniał inny rodzaj błędów.

MLMR był modelem bardziej ostrożnym. Jeżeli na pierwszym etapie fragment rzeczywistej konstrukcji został błędnie uznany za roślinność, znikał z dalszej analizy. System stosunkowo rzadko oznaczał przypadkowe elementy jako zabytki, ale częściej pomijał autentyczne struktury, które zostały zbyt wcześnie odfiltrowane.

Model end-to-end działał odmiennie. Ponieważ nie usuwał wcześniej roślinności, wykrywał więcej rzeczywistych konstrukcji. Jednocześnie generował większą liczbę fałszywych alarmów, uznając niekiedy szum lub naturalne cechy terenu za obiekty archeologiczne.

Wybór odpowiedniej metody zależy zatem nie tylko od jej ogólnej dokładności, lecz również od rodzaju błędu, który jest bardziej akceptowalny w danym projekcie. Podczas wstępnego rozpoznania dużego obszaru pominięcie rzeczywistej konstrukcji może okazać się poważniejsze niż wskazanie fałszywego tropu. Ten ostatni można odrzucić podczas wizyty terenowej, natomiast miejsce niewskazane przez system może w ogóle nie zostać sprawdzone.

W bardziej ukierunkowanym projekcie, dotyczącym konkretnego stanowiska, większa liczba fałszywych alarmów może natomiast niepotrzebnie wydłużać analizę. Dobór modelu powinien więc uwzględniać cel badań oraz skalę analizowanego obszaru.

Automatyczna analiza zamiast automatycznej interpretacji

Znaczenie eksperymentu wykracza poza porównanie dwóch modeli. Archeologia coraz szerzej wykorzystuje zdjęcia satelitarne, pomiary dronowe, fotogrametrię, badania geofizyczne, LiDAR oraz cyfrową dokumentację wykopalisk. Wraz ze wzrostem ilości dostępnych informacji coraz większym wyzwaniem staje się nie samo ich gromadzenie, lecz wyszukiwanie istotnych wzorców.

Problem jest szczególnie widoczny w regionach zalesionych. Pozostałości dawnych konstrukcji mogą pozostawać tam ukryte przez stulecia, a ręczne analizowanie całych krajobrazów jest trudne i czasochłonne. Sztuczna inteligencja może wstępnie przeszukiwać obszerne zbiory danych i oznaczać miejsca wymagające dokładniejszego rozpoznania.

Wyniki algorytmu nie stanowią jednak ostatecznego potwierdzenia odkrycia. Wskazane struktury nadal wymagają porównania z mapami historycznymi, zdjęciami satelitarnymi oraz wynikami badań terenowych. Dopiero archeolodzy mogą ocenić ich rzeczywisty charakter i zdecydować, gdzie należy prowadzić dalsze prace.

Wyłania się z tego praktyczny podział zadań. Sztuczna inteligencja może analizować dane w skali niedostępnej dla ręcznej pracy jednego zespołu, natomiast badacze zachowują odpowiedzialność za interpretację śladów oraz wybór miejsc wymagających weryfikacji.

Lasy przez wieki mogły chronić pozostałości dawnych dróg, murów i umocnień, jednocześnie zasłaniając je przed wzrokiem. Połączenie LiDAR-u ze sztuczną inteligencją nie usuwa potrzeby badań terenowych, ale może znacznie skuteczniej wskazywać, gdzie należy ich rozpocząć.

źródło: Mazzacca, G. i Remondino, F. (2026). Mapowanie archeologiczne pod koronami drzew z wykorzystaniem danych LiDAR i metod sztucznej inteligencji . Heritage, 9 (4), 134.
https://doi.org/10.3390/heritage9040134

fot. domena publiczna