Machine-Learning enthüllt prähistorische Muschelringe

Tief in den dichten Küstenwäldern und Sümpfen des amerikanischen Südostens liegen Muschelringe und Muschelhügel, die von indigenen Völkern vor 3.000 bis 5.000 Jahren hinterlassen wurden. Jetzt nutzt ein internationales Forscherteam Deep Learning zur Identifizierung bisher unentdeckte Muschelringe. Die Forscher hoffen, dass dies zu einem besseren Verständnis der Lebensweise der Menschen in diesem Gebiet führt.

„Die Ringe selbst sind eine Fundgrube für Archäologen“, sagt Dylan S. Davis, Doktorand in Anthropologie an der Penn State. „Ausgrabungen an einigen Muschelringen haben einige der am besten erhaltenen Tierknochen, Zähne und andere Artefakte freigelegt.“

„Man geht davon aus, dass Muschelringe Zentren des Warenaustauschs waren“, so Davis. „Sie können eine Menge Informationen über soziale Konstruktionen, Politik und Nahrungssuche liefern. Sie könnten zeigen, welche Ressourcen ausgebeutet wurden und ob sie nachhaltig oder nicht nachhaltig genutzt wurden. Die Archäologen finden auch Handelswaren, die aus einer Entfernung von bis zu 100 Meilen stammen können.“

Laut Davis sind die Umgebungen, in denen diese Muschelringe vorkommen, manchmal so schwer zu erfassen, dass eine Person bis auf einen Meter an eine Fundstelle herankommen und sie nicht sehen könnte.

Anstatt vom Boden aus zu suchen, nutzten die Forscher drei Arten von Daten, die entweder von Flugzeugen oder Satelliten gesammelt wurden – Lidar-, SAR- und Multispektraldaten. Sie berichten über die Ergebnisse ihrer Studie in einer aktuellen Ausgabe des Journal of Archaeological Science.

Sie begannen mit einem Lidar-Datensatz der südöstlichen US-Küste, der von der U.S. National Oceanic and Atmospheric Administration erstellt wurde. Diese der Öffentlichkeit zugänglichen Datensätze gibt es sowohl für die Ost- als auch für die Westküste des Landes. Lidar, das in der Regel mit einem Flugzeug oder einer Drohne aufgenommen wird, verwendet Lichtimpulse, um die Oberfläche eines Gebiets zu kartieren. Es ist in der Lage, durch Wälder und andere Bodenbedeckungen zu „sehen“.

Mit Hilfe eines „Deep Learning“-Prozesses brachten die Forscher einem neuronalen Faltungsnetzwerk – einer Art von neuronalem Netzwerk, das zur Analyse visueller Informationen verwendet wird – bei, Muschelringe, Muschelhügel und andere Landschaftsobjekte zu erkennen. Sie gingen manuell über die Lidar-Karten und lokalisierten bekannte Muschelringe. Sie „lernten“ das neuronale Netz mit diesen bekannten Ringen, mit Bildern von Muschelhügeln und mit modernen Strukturen mit ähnlichen Profilen. Sie nahmen auch Bilder von bekannten Ringen auf und erzeugten mehr Daten, indem sie die Bilder um 45 Grad drehten. Diese veränderten Standorte wurden ebenfalls berücksichtigt.

SAR-Daten (Radar mit synthetischer Apertur) des Sentinel-1-Satelliten der Europäischen Weltraumorganisation (ESA) und multispektrale Daten (Bilder, die über das sichtbare Spektrum hinausgehen) des Sentinel-2-Satelliten der ESA trugen zu den Informationen bei. SAR kann etwas durch Bäume und Gestrüpp hindurch sehen und Informationen über Bodeneigenschaften liefern. Die multispektrale Bildgebung kann Merkmale aufdecken, die das menschliche Auge nicht sieht.

Durch die Kombination dieser drei Datensätze und die Anwendung eines umfassenden Trainings konnten die Forscher potenziell hunderte neue Muschelringstandorte identifizieren, darunter drei bis fünf neue Muschelringstandorte in Regionen, in denen diese Ringe noch nie entdeckt worden waren.

„Archäologen setzen immer mehr KI- und Automatisierungstechniken ein“, so Davis. „Das kann extrem kompliziert sein und erfordert spezielle Fähigkeiten und in der Regel große Datenmengen.“

Die Forscher weisen darauf hin, dass sie Algorithmen der künstlichen Intelligenz verwendet haben, die bereits in ARCGIS, einem kommerziell erhältlichen Programm für geografische Informationssysteme, enthalten sind. Sie stellen in ihrer Arbeit auch den Code und die Modelle zur Verfügung, damit andere diese Art der Analyse in anderen Bereichen für andere Dinge ausprobieren können.

„Eine Schwierigkeit beim Deep Learning besteht darin, dass es in der Regel große Mengen an Informationen für das Training benötigt, die uns bei der Suche nach Muschelringen nicht zur Verfügung stehen“, so Davis. „Durch die Erweiterung unserer Daten und die Verwendung synthetischer Daten konnten wir jedoch gute Ergebnisse erzielen, obwohl wir wegen COVID-19 unsere neuen Muschelringe noch nicht am Boden überprüfen konnten.“

Zu den weiteren Forschern an diesem Projekt gehören Gino Caspari, Postdoktorand beim Schweizerischen Nationalfonds, Carl P. Lipo, Professor für Anthropologie und stellvertretender Dekan für Forschung und Programme an der Universität Binghamton, und Matthew C. Sanger, Kurator am National Museum of the American Indian.

Der Schweizerische Nationalfonds zur Förderung der wissenschaftlichen Forschung hat diese Arbeit teilweise finanziert.

Nach einer Pressemeldung der University of Pennsylvania.

---