Diep in de dichte kustbossen en moerassen van het Amerikaanse zuidoosten liggen schelpenringen en schelpheuvels achtergelaten door inheemse volkeren 3, 000 tot 5, 000 jaar geleden. Nu een internationaal team van onderzoekers, diepe machine learning gebruiken om teledetectiegegevens te beoordelen, heeft eerder onontdekte schelpringen gevonden. De onderzoekers hopen dat dit zal leiden tot een beter begrip van hoe mensen in dat gebied leefden en tot een manier om andere, onontdekte schelpenringen.

"De ringen zelf zijn een schatkamer voor archeologen, " zei Dylan S. Davis, promovendus in de antropologie aan Penn State. "Opgravingen bij sommige schelpenringen hebben enkele van de best bewaarde dierlijke botten blootgelegd, tanden en andere artefacten."

Shell-ringen worden beschouwd als centra van uitwisseling van goederen, volgens Davis. Ze kunnen veel informatie geven over sociale constructies, politiek en foerageren. Ze kunnen laten zien welke hulpbronnen zijn geëxploiteerd en of deze al dan niet duurzaam zijn gebruikt.

"De schelpringen hebben koper geproduceerd dat uit het gebied van de Grote Meren naar het zuidoosten kwam, " zei Davis. "Archeologen vinden ook keramiek, decoratieve voorwerpen en lithics die van wel 100 mijl afstand kunnen zijn gekomen."

Volgens Davy, de omgevingen waar deze schelpringen voorkomen zijn soms zo moeilijk te overzien dat een persoon op minder dan 60 cm van een locatie kan staan ​​en deze nooit kan zien.

In plaats van vanaf de grond te kijken, de onderzoekers gebruikten drie soorten bestaande gegevens verzameld door vliegtuigen of satelliet-lidar, SAR en multispectrale gegevens. Ze rapporteren de resultaten van hun onderzoek in een recent nummer van de Journal of Archeologische Wetenschap .

Ze begonnen met een lidar-dataset van de zuidoostelijke kust van de VS, geproduceerd door de Amerikaanse National Oceanic and Atmospheric Administration. Deze gegevenssets, beschikbaar voor het publiek, bestaan ​​voor zowel de oost- als de westkust van het land. Lidar, meestal verkregen per vliegtuig of drone, gebruikt lichtpulsen om het oppervlak van een gebied in kaart te brengen. Het is in staat om door bossen en andere bodembedekkers te "zien".

De onderzoekers gebruikten een 'deep learning'-proces om een ​​convolutief neuraal netwerk - een soort neuraal netwerk dat wordt gebruikt om visuele informatie te analyseren - te leren om schelpringen te herkennen, schelpenheuvels en andere landschapsobjecten. Ze gingen handmatig over de lidar-kaarten en lokaliseerden bekende schelpringen. Enkele van de bekende ringen reserveren om later de CNN te testen, ze 'leerden' het neurale netwerk met deze bekende ringen, met afbeeldingen van terpen en met moderne constructies met vergelijkbare profielen. Ze namen ook afbeeldingen van bekende ringen en creëerden meer gegevens door de afbeeldingen 45 graden te draaien. Deze gewijzigde sites werden ook opgenomen.

"Er zijn slechts ongeveer 50 bekende granaatringen in het zuidoosten van de VS, "zei Davis. "Dus, we hadden meer locaties nodig om te trainen."

SAR-gegevens - synthetische apertuurradar - van de Sentinel-1-satelliet van de European Space Agency, en multispectrale gegevens - beeldvorming buiten het visuele spectrum - van ESA's Sentinel-2-satelliet, toegevoegd aan de informatie. SAR kan enigszins door bomen en struikgewas kijken en kan informatie geven over bodemkenmerken. Multispectrale beeldvorming kan functies onthullen die niet door het menselijk oog worden gezien.

Door deze drie datasets te combineren en diepgaande training te gebruiken, de onderzoekers waren in staat om mogelijk honderden nieuwe schelpringsites te identificeren, waaronder drie tot vijf nieuwe schelpringlocaties in provincies waar deze ringen nog nooit eerder zijn ontdekt. Het onderzoek besloeg een gebied met drie provincies - ongeveer vier, 000 vierkante mijl gebied.

"Archeologen gebruiken steeds meer AI- en automatiseringstechnieken, "zei Davis. "Het kan extreem ingewikkeld zijn en vereist specifieke vaardigheden en vereist meestal grote hoeveelheden gegevens."

De onderzoekers merken op dat ze kunstmatige intelligentie-algoritmen hebben gebruikt die al zijn opgenomen in ARCGIS, een in de handel verkrijgbaar geografisch informatiesysteemprogramma. Ze bieden ook de code en modellen in hun paper, zodat anderen dit soort analyse op andere gebieden voor andere dingen kunnen proberen.

"Een moeilijkheid met diep leren is dat het meestal enorme hoeveelheden informatie vereist voor training, die we niet hebben bij het zoeken naar schelpringen, "zei Davis. "Echter, door onze gegevens aan te vullen en door synthetische gegevens te gebruiken, we hebben goede resultaten kunnen behalen, Hoewel, vanwege COVID-19, we hebben onze nieuwe granaatringen op de grond niet kunnen controleren."

Andere onderzoekers van dit project zijn onder meer Gino Caspari, een postdoctoraal onderzoeker bij de Swiss National Science Foundation; Carl P. Lipo, hoogleraar antropologie en associate dean voor onderzoek en programma's aan de Binghamton University; en Matthew C. Sanger, conservator van het National Museum of the American Indian.