Jak sztuczna inteligencja pomaga odkrywać zagubione miasta Majów

Oryginalna publikacja: Evaluating Broadscale Deep Learning for Maya Settlement Detection in G-LiHT Lidar.

Przez dziesiątki lat z maczetami w dłoniach i kompasem w kieszeni archeolodzy przemierzali dżunglę szukając dawnych miast Majów, mierząc się z upałem, komarami i gęstą roślinnością. W ostatnich latach na scenę wkroczyły lidary – lasery zamontowane na samolotach, które potrafią „zajrzeć” przez korony drzew - i mapa ukrytych budowli zaczęła się zapełniać szybciej niż kiedykolwiek wcześniej. Teraz do repertuaru nowoczesnych technologii dołącza sztuczna inteligencja. 

W niniejszym badaniu przeanalizowano transekty z pomiarów satelitarnych G-LiHT Yucatan Regions Aerial Lidar Survey, południe i północ 2; transekty dwóch regionów połączono, aby stworzyć model Q2000: A (południe) i C (północ 2) (żródło ilustracji: czasopismo Journal of Archaeological Method and Theory)

Artykuł “Evaluating Broadscale Deep Learning for Maya Settlement Detection in G‑LiHT Lidar” opisuje, jak zespół Benjamina Brittona postanowił nauczyć komputer rozpoznawać ślady dawnych miast na zdjęciach lidarowych. Dotychczas specjalistyczne badania wymagały, by każdy obraz przeanalizował doświadczony archeolog i z ręką na myszy zaznaczył zarysy kopców, tarasów i piramid. Automatyczne wykrywanie obiektów za pomocą sieci neuronowych może tę pracę znacznie ułatwić i przyspieszyć.

Przykłady wizualizacji lidarowych wykorzystanych w tym badaniu; warstwy są nakładane na siebie, aby stworzyć wizualizację kompozytową (żródło ilustracji: czasopismo Journal of Archaeological Method and Theory)

Naukowcy wybrali 200 najlepiej opisanych przykładów budowli Majów z dwóch zupełnie różnych regionów półwyspu Jukatan i nauczyli model Q2000, jak wyglądają ruiny w różnych warunkach krajobrazowych, by potem mógł rozpoznać je na obszarze wielkości 35 tysięcy kilometrów kwadratowych. Model Q2000 analizuje cienie, krawędzie i subtelne wypukłości, które mogą wskazywać na obecność platformy, piramidy albo muru obronnego. Następnie informuje badaczy, czemu warto przyjrzeć się bliżej. Co najważniejsze, algorytm był w stanie zidentyfikować wspólne cechy budowli niezależnie od ich otoczenia i skutecznie rozpoznawać ruiny zarówno na równinnej północy, jak i górzystym południu Jukatanu. Testy wykazały, że model osiąga bardzo dobrą równowagę między wykrywaniem prawdziwych obiektów a unikaniem fałszywych alarmów (F1 = 0,89), choć Britton i jego współpracownicy przyznają, że dwa regiony użyte do trenowania modelu nie oddają pełnej różnorodności krajobrazu, co może prowadzić do przeszacowania jego skuteczności i konieczne są dalsze testy, jak model poradzi sobie w bardziej zróżnicowanych ekologicznie częściach półwyspu.

Obszar Chichen Itza, region Północ 2; wykrycia budowli (jasne prostokąty), komórki testowe (ciemne kwadraty); obiekty docelowe są skupione wokół rejolladas (krasowych zagłębień powyżej poziomu wód gruntowych, zawierających dobrze odwodnione gleby i stabilny mikroklimat, archeologicznie istotne dla rolnictwa, szczególnie upraw wrażliwych na wilgoć, takich jak kakao lub inne drzewa owocowe); należy zauważyć, że model nie spowodował wykrycia największej struktury na obrazie (żródło ilustracji: czasopismo Journal of Archaeological Method and Theory

Ten projekt to dopiero początek – jego twórcy marzą o tym, by z czasem stworzyć większy model, który będzie można dalej trenować na nowych danych z różnych projektów lidarowych. Pozwoliłoby to skuteczniej i szybciej lokalizować nieznane jeszcze obiekty, a w dalszej perspektywie - lepiej zrozumieć, jak Majowie przekształcali swoje środowisko. W gęstwinie tropikalnego lasu wciąż czekają tysiące nieodkrytych zabytków.