Mašīnmācīšanās potenciāla novērtēšana pauguru un pilskalnu ģeoarheoloģiskajā diferenciācijā

Abstract

Zināšana par cilvēces pagātni ir vienmēr aktuāls jautājums, kuru aktīvi pēta jau vairākus simtus gadus. Attīstoties mūsdienas mākslīgā intelekta tehnoloģijām, tās arvien vairāk tiek izmantotas dažādās nozarēs. Ģeoarheoloģijas multidisciplinārā zinātne arī nav izņēmums, jo dažu jautājumu risināšana ar tradicionālām metodēm aizņem pārāk daudz resursu un laika. Šinī maģistra darbā tika pētīts un vērtēts mašīnmācīšanās metožu izmantošanas potenciāls ģeoarheoloģijā, lai, izmantojot LiDAR iegūtos digitālos reljefa modeļus (DEM) Latvijā, nošķirtu dabiskus paugurus no pilskalniem. Pētījuma mērķis ir noteikt mašīnmācīšanās efektivitāti, identificējot antropogēnas vai arī ģeomorfoloģiskas pazīmes, kas var liecināt par cilvēka darbību uz dažādām reljefu formām. Darbā izmantotā metodoloģija ietver Latvijas LiDAR DEM datu kopas ģeotelpisku apstrādi, lai izveidotu dažādus mākslīgā intelekta modeļus. Kopumā, izmantojot Python programmēšanas valodas bibliotēku TensorFlow, tika izveidoti un pārbaudīti 15 konvolūcijas neironu tīkla (CNN) modeļi, kas pamatojas uz reljefa slīpuma (angl. - slope), nelīdzenuma (angl. - roughness), topogrāfiskās pozīcijas indeksa (TPI), reljefa nelīdzenuma indeksa (TRI) datiem un cilvēciskiem faktoriem. Modeļi tika apmācīti, lai klasificētu melnbaltus attēlus divās kategorijās: pauguri un pilskalni. Izmantojot dažādus epohas daudzumus – 10, 100, 500 un 1000, tika novērtēts mākslīgā intelekta rezultātu uzlabojumus mācību laikā. Pateicoties plašam eksperimentu klāstam ar dažādām epohām, slāņiem, datiem un parametriem, CNN modeļi sasniedza maksimālo precizitāti 88 % pilskalnu testa datos, kas liecina par pašreizējiem ierobežojumiem mākslīga intelekta spējās precīzi atrast atšķirību antropogēniskos un reljefu elementos. Vis daudzsološākie rezultāti tika iegūti no modeļiem, kas tika apmācīti uz nogāžu slīpuma un TRI datiem. Šis pētījums sniedz ieguldījumu starpdisciplinārā ģeoarheoloģijas jomā, parādot mašīnmācīšanās potenciālu un pašreizējos ierobežojumus, izmantojot mākslīgu intelektu ar ģeoarheoloģiskajiem datiem. Iegūtie rezultāti ir pamats turpmākajiem pētījumiem, kuros varētu izpētīt citus datu analīzes veidus vai uzlabotas mašīnmācīšanās arhitektūras, kas varētu piedāvāt labākas diferenciācijas iespējas.

Knowing about humanity’s past is actual topic, which has been actively researched for couple centuries now. With the development of today's artificial intelligence technologies, they are increasingly being used in various niches. The multidisciplinary science of geoarchaeology is no exception, as some questions take too many resources and time to answer using traditional methods. This masters thesis investigated and evaluated the potential of using machine learning methods in geoarchaeology to distinguish between natural hills and castle mounds using LiDAR digital elevation models (DEM) in Latvia. The aim of the study is to determine the effectiveness of machine learning in identifying anthropogenic or geomorphological features that may be indicators of human activity on different landforms. The methodology used in this thesis involves geospatial data processing of the Latvian LiDAR DEM dataset to create different artificial intelligence models. In total, 15 convolutional neural network (CNN) models based on terrain slope, roughness, topographic position index (TPI), terrain roughness index (TRI) data and human factors were built and tested using the Python programming language library TensorFlow. The models were trained to classify black and white images into two categories: hills and castle mounds. Using different epoch amounts of 10, 100, 500 and 1000, the improvement of AI performance during training was evaluated. Because of a wide range of experiments with different epochs, layers, data and parameters, the CNN models achieved a maximum accuracy of 88 % in the castle mounds test data, which demonstrates the current limitations in the ability of AI to find variation in anthropogenic and geomorphological features. The most promising results were obtained from models trained on slope and TRI data. This study contributes to the field of geoarchaeology by demonstrating the potential and current limitations of machine learning using artificial intelligence with geoarchaeological data. The results provide a basis for future research that could explore other forms of data analysis or advanced machine learning architectures that could offer better differentiation capabilities.