Исследователи применили методы глубокого обучения для автоматизированного обнаружения археологических объектов майя в массивах данных G-LiHT Lidar. Использование нейросетевых архитектур позволило значительно ускорить процесс анализа ландшафта, выявляя скрытые под растительностью структуры с высокой точностью. Этот подход масштабирует возможности археологических изысканий, позволяя обрабатывать огромные территории, которые ранее требовали многолетних ручных исследований экспертов.
Традиционные методы поиска археологических памятников в тропических лесах опирались на визуальную интерпретацию цифровых моделей рельефа, что крайне трудозатратно. Новое решение использует сверточные нейронные сети для классификации и сегментации ландшафтных особенностей. Модель обучалась на размеченных данных, содержащих характерные признаки антропогенных изменений почвы, таких как платформы, террасы и жилые комплексы.
Внедрение автоматизированного анализа данных дистанционного зондирования меняет подход к изучению древних цивилизаций. Вместо точечных раскопок исследователи получают возможность проводить полномасштабное картирование регионов, выявляя плотность застройки и структуру расселения целых городов. Это позволяет не только находить новые объекты, но и лучше понимать демографическую ситуацию и социальную организацию древних обществ на основе данных о масштабах их инфраструктуры.
Ключевые факты
- Исследование сфокусировано на анализе данных G-LiHT Lidar для идентификации архитектурных памятников майя.
- Примененные алгоритмы глубокого обучения позволяют автоматизировать обнаружение объектов, скрытых густой растительностью.
- Метод значительно сокращает время обработки данных по сравнению с ручной дешифровкой лидарных снимков.
- Работа опубликована в журнале Journal of Archaeological Method and Theory в 2025 году.