Fjernmåling og maskinlæring afslører arkaiske skalringe

Dybt inde i de tætte kystnære skove og moser i det amerikanske sydøstlige område ligger skalringe og skalhøje efterladt af oprindelige folk 3, 000 til 5, 000 år siden. Nu er et internationalt team af forskere, bruge dyb maskinlæring til at vurdere fjernmålingsdata, har lokaliseret hidtil uopdagede skalringe. Forskerne håber, at dette vil føre til en bedre forståelse af, hvordan folk levede i dette område og en måde at identificere andre, uopdagede skalringe.

"Ringene i sig selv er et skattekammer for arkæologer, " sagde Dylan S. Davis, ph.d.-kandidat i antropologi ved Penn State. "Udgravninger udført ved nogle skalringe har afsløret noget af det bedste bevarelse af dyreknogler, tænder og andre artefakter."

Skalringe menes at være centre for udveksling af varer, ifølge Davis. De kan give en masse information om sociale konstruktioner, politik og fouragering. De kan vise, hvilke ressourcer der blev udnyttet, og om de blev brugt bæredygtigt eller ikke bæredygtigt.

"Skalringene har produceret kobber, der kom fra området omkring de store søer mod sydøst, " sagde Davis. "Arkæologer finder også keramik, dekorative genstande og litikker, der kan være kommet fra op til 100 miles væk."

Ifølge Davis, de miljøer, hvor disse skalringe findes, er nogle gange så vanskelige at overskue, at en person kan stå inden for 2 fod fra et sted og aldrig se det.

I stedet for at se fra jorden, forskerne brugte tre typer eksisterende data indsamlet enten af ​​fly eller satellit-lidar, SAR og multispektrale data. De rapporterer resultaterne af deres undersøgelse i et nyligt nummer af Tidsskrift for arkæologisk videnskab .

De begyndte med et lidar-datasæt af den sydøstlige amerikanske kyst, produceret af US National Oceanic and Atmospheric Administration. Disse datasæt, tilgængelig for offentligheden, eksisterer for både øst- og vestkysten af ​​landet. Lidar, normalt opnået med fly eller drone, bruger lysimpulser til at kortlægge overfladen af ​​et område. Den er i stand til at "se" gennem skove og andet bunddække.

Forskerne brugte en "deep learning"-proces til at lære et Convolutional Neural Network - en type neuralt netværk, der bruges til at analysere visuel information - til at genkende skalringe, skaldehøje og andre landskabsgenstande. De gennemgik manuelt lidar-kortene og lokaliserede kendte skalringe. At reservere nogle af de kendte ringe for at teste CNN senere, de "lærte" det neurale netværk med disse kendte ringe, med billeder af høje og med moderne strukturer med lignende profiler. De tog også billeder af kendte ringe og skabte flere data ved at dreje billederne 45 grader. Disse ændrede steder blev også inkluderet.

"Der er kun omkring 50 kendte skalringsteder i det sydøstlige USA, " sagde Davis. "Så, vi havde brug for flere steder til træning."

SAR-data – syntetisk blænderadar – fra European Space Agencys Sentinel-1-satellit, og multispektrale data – billeddannelse ud over det visuelle spektrum – fra ESA's Sentinel-2-satellit, tilføjet til oplysningerne. SAR kan se noget gennem træer og børster og kan levere information om jordegenskaber. Multispektral billeddannelse kan afsløre træk, der ikke ses af det menneskelige øje.

Ved at kombinere disse tre datasæt og bruge dyb træning, forskerne var i stand til potentielt at identificere hundredvis af nye shellringsteder, herunder tre til fem nye skalringsteder i amter, hvor disse ringe aldrig blev opdaget før. Forskningen dækkede et område med tre amter - en cirka 4, 000 kvadratkilometer område.

"Arkæologer bruger mere og mere kunstig intelligens og automatiseringsteknikker, " sagde Davis. "Det kan være ekstremt kompliceret og kræver specifikke færdigheder og kræver normalt store mængder data."

Forskerne bemærker, at de brugte kunstig intelligens-algoritmer, der allerede er inkluderet i ARCGIS, et kommercielt tilgængeligt geografisk informationssystemprogram. De giver også koden og modellerne i deres papir, så andre kan prøve denne type analyse på andre områder for andre ting.

"En vanskelighed med deep learning er, at det normalt kræver enorme mængder information til træning, som vi ikke har, når vi leder efter skalringe, " sagde Davis. "Men, ved at udvide vores data og ved at bruge syntetiske data, vi var i stand til at opnå gode resultater, Selvom, på grund af COVID-19, vi har ikke været i stand til at tjekke vores nye skalringe på jorden."

Andre forskere på dette projekt inkluderer Gino Caspari, en postdoc ved Swiss National Science Foundation; Carl P. Lipo, professor i antropologi og associeret dekan for forskning og programmer ved Binghamton University; og Matthew C. Sanger, kurator ved National Museum of the American Indian.