Jafurile reprezintă una dintre cele mai mari amenințări la adresa siturilor arheologice, iar depistarea lor nu este întotdeauna ușoară. Un sit excavat clandestin peste noapte poate părea doar un simplu teren cu sol răscolit, atât la o observare directă de la sol, cât și în imaginile din satelit.
Însă orice acțiune lasă urme, iar siturile arheologice jefuite nu fac excepție. O echipă de la laboratorul „AI for Good Research Lab” al Microsoft a dezvoltat un sistem bazat pe inteligență artificială capabil să detecteze semnele jafului pe mii de situri arheologice, utilizând imagini din satelit, arată publicația Artkeonews. Proiectul este realizat în colaborare cu organizația non-profit Iconem (specializată în documentarea patrimoniului) și cu compania de sateliți Planet Labs.
CITEȘTE ȘI: Noile descoperiri arheologice din Suedia rescriu istoria vikingilor
Problema văzută din… satelit
Monitorizarea siturilor de patrimoniu cultural din zone izolate sau afectate de conflicte este extrem de dificilă. Multe dintre aceste situri sunt răspândite pe suprafețe vaste, unde trimiterea unor echipe pentru inspecție este riscantă, nepractică sau pur și simplu imposibilă.
Imaginile din satelit oferă o alternativă mai sigură, însă analiza acestora a presupus, în mod tradițional, ca experții să compare manual imagini realizate în momente diferite și să caute eventuale indicii de jaf.
Aceasta nu este o problemă nouă pentru cercetători. În multe articole despre inteligența artificială prezentate de Arkeonews, se conturează un tipar: compararea imaginilor poate consuma mult timp pentru oameni, fiind în schimb exact genul de sarcină pe care IA o poate îndeplini rapid și la scară largă.
De data aceasta, sarcina cercetătorilor este de a detecta activitățile de jefuire, un demers extrem de dificil, întrucât dovezile sunt adesea abia vizibile. Noile gropi, modificările în textura solului, schimbările subtile ale formei terenului sau diferențele fine în modul în care suprafața reflectă lumina pot trece ușor neobservate.
Aceste semne pot, de asemenea, să semene cu eroziunea naturală sau cu activitățile agricole obișnuite, ceea ce îngreunează stabilirea faptului dacă situl a fost sau nu afectat de o intervenție umană.
Crearea unui set de date
Pentru a construi sistemul, echipa a creat cel mai mare set de date de acest gen, cuprinzând 1.943 de situri arheologice din Afganistan. Dintre acestea, 898 au fost confirmate ca fiind jefuite, în timp ce 1.045 au rămas intacte.
Cercetătorii au utilizat „Archaeological Gazetteer of Afghanistan” (Registrul Arheologic al Afganistanului) ca punct de plecare, colaborând ulterior cu arheologi experți pentru a verifica și extinde setul de date cu ajutorul imaginilor furnizate de Google Earth, ESRI și Bing. Aceștia au clasificat fiecare sit în funcție de dovezile privind distrugerile deliberate înregistrate înainte de sfârșitul anului 2023.
Ulterior, cercetătorii au apelat la imaginile din satelit PlanetScope, utilizând mozaicuri obținute lunar cu o rezoluție de 4,7 metri pe pixel. Setul de date a acoperit perioada cuprinsă între ianuarie 2016 și decembrie 2023, oferind lunar imagini pentru fiecare sit arheologic pe parcursul a aproape opt ani.
Pentru a spori precizia analizei, arheologii au delimitat manual conturul fiecărui sit. Aceste măști spațiale au definit amprenta exactă a fiecărui sit, permițând cercetătorilor să verifice ulterior dacă o concentrare a inteligenței artificiale exclusiv asupra zonei arheologice – și nu asupra peisajului înconjurător – îmbunătățea capacitatea acesteia de a detecta activitățile de jefuire.
Testarea a două abordări diferite
Echipa a testat două metode fundamental diferite de detectare a siturilor arheologice jefuite. Prima abordare s-a bazat pe învățarea profundă (deep learning), utilizând modele ResNet și EfficientNet antrenate direct pe fragmente de imagini din satelit brute.
CITEȘTE ȘI: Ce informații dezvăluie „pantofii de aur” vechi de 1.500 de ani, descoperiți în necropola Karakabak?
A doua metodă a folosit tehnici mai tradiționale de învățare automată (machine learning) – precum Random Forest și XGBoost – antrenate fie pe caracteristici spectrale și de textură definite manual, fie pe date extrase din modele fundamentale mai recente de teledetecție, cum ar fi DINOv3, SatCLIP și Prithvi-EO.
Rezultatele au evidențiat o diferență clară între cele două abordări. Modelul ResNet-50, pre-antrenat pe ImageNet și alimentat cu măști reprezentând amprenta siturilor, a obținut un scor F1 de 0,926.
Prin comparație, cea mai performantă configurație tradițională de învățare automată — reprezentări vectoriale (embeddings) ale locației de tip SatCLIP combinate cu un clasificator Random Forest — a atins valoarea de 0,710. Diferența este uriașă, mai ales în cazul unei sarcini în care atât omisiunea de a detecta un sit jefuit, cât și marcarea eronată a unuia intact pot avea consecințe grave.
Modelele simple s-au dovedit a fi mai eficiente
Una dintre concluziile surprinzătoare a fost că modelele de bază („foundation models”) mai noi și mai avansate nu au oferit neapărat rezultate mai bune. Reprezentările lor vectoriale (embeddings), antrenate pe seturi vaste de date cu imagini din satelit, au avut performanțe similare – și uneori chiar inferioare – celor obținute prin utilizarea unor caracteristici vizuale mult mai simple, definite manual.
Cercetătorii sugerează că activitățile de jefuire lasă urme extrem de localizate – în principal mici modificări de textură – în timp ce modelele cu scop general tind să se concentreze pe tipare mai ample.
De asemenea, cercetătorii au analizat mai în detaliu care au fost caracteristicile ce au influențat deciziile modelului. Folosind analiza SHAP pentru a le evalua importanța, aceștia au constatat că cel mai puternic indicator a fost intensitatea contururilor în spectrul infraroșu apropiat.
Pe scurt, modelul s-a dovedit deosebit de eficient în identificarea limitelor nete create prin excavare. Majoritatea celorlalte caracteristici relevante au constat în indicatori de textură – precum contrastul, entropia și omogenitatea – calculați pe baza unor mici porțiuni din benzile spectrală roșie, verde și în infraroșu apropiat.
În loc să caute zone întinse care pur și simplu „arătau diferit”, modelul a detectat un detaliu mult mai subtil: textura rugoasă și neregulată specifică solului perturbat.
CITEȘTE ȘI: Cercetătorii au descoperit pe obiecte vechi de 40.000 de ani un precursor al limbajului scris
Oferirea unei direcții clare modelului
Poate că cea mai importantă constatare practică a fost surprinzător de simplă: modelul a funcționat mult mai bine atunci când a primit indicații precise cu privire la locul în care să caute. Utilizând măști trasate manual, care delimitau exact conturul fiecărui sit arheologic, cercetătorii au oferit inteligenței artificiale o zonă clară asupra căreia să se concentreze.
În anumite configurații, acest lucru a dus la o îmbunătățire de peste 40 de puncte procentuale a scorului F1, reprezentând cel mai mare câștig de performanță înregistrat în cadrul studiului.
În absența acelor măști, modelele erau nevoite să analizeze peisajul înconjurător, unde drumurile, terenurile agricole, așezările moderne și alte elemente fără legătură cu situl puteau masca cu ușurință semnalele relevante. Concentrarea analizei strict asupra sitului arheologic a redus acest „zgomot” și a facilitat considerabil detectarea urmelor de jefuire de către modele.
Timpul este un factor semnificativ
Momentul realizării imaginilor din satelit s-a dovedit a fi mai important decât anticipaseră cercetătorii. Atunci când au antrenat modele separate folosind imagini din ani diferiți, performanța a fost optimă în cazul siturilor fotografiate în jurul anului 2020; acuratețea a scăzut ulterior pentru imaginile provenite atât din anii anteriori, cât și din cei ulteriori.
Cercetătorii consideră că momentul în care au avut loc jafurile explică acest tipar. Se pare că majoritatea jafurilor din setul lor de date au avut loc înainte de 2021, astfel încât cele mai clare urme ale săpăturilor au apărut, probabil, în imaginile din acea perioadă.
Totuși, pe măsură ce trece timpul, aceste urme pot deveni tot mai greu de distins. Vântul, ploaia, eroziunea, vegetația și alte fenomene naturale modifică treptat terenul, permițând zonelor afectate să se reintegreze în peisajul înconjurător.
Ce urmează?
Cercetătorii consideră acest sistem un instrument de monitorizare și triere, nu o autoritate supremă care să stabilească dacă un sit a fost sau nu jefuit. Scopul său este de a ajuta experții să acopere suprafețe mult mai mari, prin identificarea locațiilor care necesită o atenție sporită.
Următorul pas este verificarea posibilității de a aplica această metodă și în afara Afganistanului. Echipa menționează în mod special Siria, Sudanul și Egiptul drept regiuni unde sistemul ar putea contribui la monitorizarea siturilor expuse riscului de jaf.
Există, de asemenea, o provocare majoră de depășit: sistemul actual depinde încă în mare măsură de arheologi pentru furnizarea limitelor siturilor și a exemplelor etichetate. Pentru a face tehnologia mai practică la scară largă, cercetătorii doresc să exploreze metode de învățare semi-supervizată și activă, care ar reduce volumul de adnotare manuală necesar. În mod ideal, sistemul s-ar putea adapta la noi regiuni fără ca arheologii să fie nevoiți să cartografieze și să eticheteze fiecare sit de la zero.
Pentru a încuraja această activitate, echipa și-a pus la dispoziția publicului codul, precum și metodologia utilizată pentru setul de date, oferind astfel altor cercetători o bază pe care o pot folosi pentru a testa, îmbunătăți și extinde această abordare.
Acest studiu este disponibil în prezent sub formă de preprint și nu a trecut încă printr-un proces formal de evaluare interpares.
Autor: Corina Gheorghe
Foto: Artkeonews
CITEȘTE ȘI:Parcul Arheologic Veii: Un rover „marțian” explorează tunelurile etrusce uitate de două mii de ani
