Arkeologlar, gerçek kazı alanlarından elde edilen örneklerin sınırlı olduğu durumlarda derin öğrenme modellerini eğitmenin yeni bir yolunu test ettiler. Geleneksel yöntemlerden farklı olarak, araştırmacılar simüle edilmiş arkeolojik eserler yarattı ve bunları gerçek arazi verilerine entegre etti.
Çalışma, Louisiana’daki Kisatchie Milli Ormanı’nda bulunan 12 adet sıra dışı dairesel yapıya odaklandı. Bu yapılar, çam ağaçlarından katran, zift ve reçine elde etmek için kullanılan tarihi katran fırınlarına benzese de, ABD’nin güneydoğusundaki diğer bölgelerde bulunan bilinen katran fırınlarından farklılıklar gösteriyordu.
Bu farklılık, makine öğrenimi konusunda bir sorun yarattı. Mevcut katran fırınlarına dayalı olarak eğitilmiş bir model, Louisiana’daki yapıları tespit etmekte zorlanacaktı. Sadece 12 örnek bulunuyordu ve bu da güvenilir bir eğitim seti oluşturmak için yeterli değildi.
Araştımacılar, yapay eğitim verisi oluşturmanın iki farklı yöntemini test etti. Her iki yöntemde de simüle edilmiş fırın şekilleri, lidar verilerinden elde edilen dijital yükseklik modellerine yerleştirildi. Lidar, zemin yüksekliğindeki küçük değişiklikleri kaydederek arkeologların orman örtüsü altındaki yapıları haritalamasına yardımcı olur.
Araştımacılar, Mask R-CNN modellerini kullanarak nesnelerin tespit edilmesini sağladı. Modeller, 80’i eğitim için, 10’u doğrulama ve 10’u test için kullanılan parçalı lidar görüntüleri ile eğitildi. Her modelin performansı sabitlenene kadar 15 tur boyunca eğitildi.
İlk model, 183 tahmin yaptı. Otomatik filtrelemeden sonra, araştırmacılar 142 tanesini inceledi. Model, bilinen 12 hedeften 9’unu ve daha sonra incelenmesi gereken 6 ek nesneyi tespit etti.
İkinci model, 2032 nesne tahmin etti ve filtrelemeden sonra 709 tanesi kaldı. Bu model, tüm 12 bilinen hedefi ve ayrıca daha fazla araştırılması gereken 11 ek nesneyi buldu. Ancak kalan 686 tahminden 709’u yanlış pozitifti.
Yanlış sonuçların birçoğu rezervuarlardan, drenaj özelliklerinden ve doğal mima tepelerinden kaynaklandı. Ek filtreler bazı hataları ortadan kaldırdı. Araştırmacılar, zemin şeklini kullanarak tepe benzeri yapıları, hedeflerin çukur şeklinde yapısından ayırt etti.
Üçüncü bir model, karşılaştırma amacıyla kullanıldı. Bu model, verilerin yüksekliğini Louisiana nesnelerine daha uygun hale getirdikten sonra, Güney Carolina’daki gerçek katran fırınlarıyla eğitildi. Bu model, 12 hedeften 11’ini ve ayrıca incelenmesi gereken 7 ek nesneyi buldu.
Arazi çalışmaları, soruyu değiştirdi. Araştırmacılar, orijinal hedeflerin 11’ini ziyaret etti ve ikisini augerlarla test etti. Beklenen katran fırınlarında bulunan kömürlü tortular, kavrulmuş çam ağacı kalıntıları, gömülü ahşap katran boruları veya sert kil zeminler tespit edilmedi.
Bu yapılar ayrıca eski bir II. Dünya Savaşı dönemine ait askeri eğitim alanının yakınındaydı. Konumlarına ve şekillerine dayanarak, araştırmacılar bu yapıların daha büyük olasılıkla askeri eğitimle ilişkili olduğuna karar verdiler. Dönemsel bir eğitim kılavuzu, bu yapıların top mermisi yerleştirme noktaları olabileceğini öne sürdü.
Otomatik tespit hala arazi kontrolleri gerektiriyor. Modeller sıra dışı şekilleri bulmada iyi olsa da, birçok tahmin yanlış çıktı. Sonuçları temizlemek, aynı alanı kapsayan bir yaya araştırmasından daha az zaman aldı.
Bu çalışma, makine öğreniminin karşılaştığı önemli bir sınırlamanın üstesinden gelmenin bir yolunu sunuyor. Simüle edilmiş eğitim nesneleri dakikalar içinde üretilebilirken, gerçek kazı alanlarının manuel olarak etiketlenmesi çok daha uzun sürer.
Araştımacılar, bu tür modellerin ayrıntılı görüntüleme veya arazi araştırmalarına başlamadan önce kullanılması öneriliyor. Binlerce simüle edilmiş nesneden oluşan daha büyük veri kümeleri, gelecekteki modellerin performansını artırabilir.
Arkeoloji için en önemli kazanım hızdır. Bir model arazi çalışmalarının yerini almaz, ancak incelenmesi gereken alanları daraltmaya yardımcı olur. Bu durumda, yaklaşım araştırmacıların hedefleri bulmasına ve ilk hipotezlerini reddetmelerine yardımcı oldu.
Yayın
Kaynak: Archaeologymag
