رمزگشایی از ویرانه‌های باستانی با هوش مصنوعی؛ از شناسایی سنگ‌ها تا بازسازی دیوارها

آیا الگوریتم‌های هوشمند می‌توانند توده‌ای از سنگ‌های پراکنده را به نقشه‌ای دقیق از سازه‌های کهن تبدیل کنند؟ پژوهشگران با دست‌یابی به یک سامانه یادگیری عمیق، امکان تحلیل خودکار و سریع عکس‌های هوایی پهپادها را فراهم کرده‌اند. این فناوری نوآورانه با شناسایی تک‌تک سنگ‌ها و بازسازی خطوط دیوارهای ویران‌شده، زمان مستندنگاری محوطه‌های باستانی را از چند هفته به چند ساعت کاهش می‌دهد. روندی که نه تنها هزینه‌های کاوش میدانی را به‌شدت کم می‌کند، بلکه افق‌های تازه‌ای را در تحلیل‌های فضایی باستان‌شناسی می‌گشاید.

تحول دیجیتال در مستندنگاری محوطه‌های باستانی

امروزه به‌کارگیری سامانه‌های هوشمند در پژوهش‌های باستان‌شناسی به یکی از ارکان اصلی مستندنگاری مدرن تبدیل شده است. ابزارهای مبتنی بر داده با هدف کاهش فرآیندهای زمان‌بر دستی طراحی می‌شوند تا پژوهشگران بتوانند بخش اصلی انرژی خود را بر تحلیل‌های تاریخی، پاسخ به پرسش‌های بنیادی و درک الگوهای زیستی جوامع گذشته تمرکز دهند.

در همین راستا، سیستم هوشمند جدیدی که توسط پژوهشگران دانشگاه حیفا توسعه یافته است، توانایی شگفت‌انگیزی در پردازش داده‌های مکانی دارد. این الگوریتم می‌تواند تصاویر هواییِ حاصل از تصویربرداری پهپادی را تحلیل کرده و آوار پراکنده سنگ‌ها را به نقشه‌هایی کاربردی و قابل اندازه‌گیری تبدیل کند.

چالش‌های نقشه‌برداری سنتی از سازه‌های فروریخته

با وجود آنکه استفاده از پهپادها طی سال‌های اخیر دید کلان و چشم‌انداز جامعی از محوطه‌ها در اختیار باستان‌شناسان قرار داده، اما تبدیل این عکس‌ها به نقشه‌های دقیق ساختاری همواره فرآیندی دشوار بوده است.

در روش‌های دستی، انطباق صدها تصویر همپوشانی‌شده و تشخیص دقیق جایگاه هر سنگ یا امتداد دیوارهای فروریخته، مستلزم صرف روزها و حتی هفته‌ها کار مداوم متخصصان بود؛ چالشی که اکنون با ورود هوش مصنوعی برطرف شده است.

ساختار و نحوه عملکرد سامانه هوشمند

این سیستم نیمه‌خودکار که بر پایه الگوریتم‌های یادگیری عمیق طراحی شده، فرآیند شناسایی و لایه‌بندی داده‌ها را طی چند مرحله منظم انجام می‌دهد:

۱. ساخت مدل‌های رقومی و ارتفاعی

در گام نخست، صدها قطعه تصویر هوایی با یکدیگر ترکیب می‌شوند تا نقشه‌ها و مدل‌های رقومی ارتفاعی (DEM) با تفکیک‌پذیری بالا به‌دست آیند. سپس این نقشه‌ها به بخش‌های کوچک‌تر تقسیم می‌شوند تا پردازش آن‌ها توسط مدل آسان‌تر شود.

۲. آموزش دوگانه شبکه عصبی

برای هوشمندسازی سیستم، از هزاران نمونه سنگ و دیوار که پیش‌تر توسط باستان‌شناسان به‌صورت دستی برچسب‌گذاری شده بودند استفاده شده است. این سیستم از دو مدل مجزا بهره می‌برد:

• مدل اول: تشخیص و تفکیک تک‌تک سنگ‌های ساختمانی از محیط اطراف.
• مدل دوم: شناسایی قطعات و پیوستگی دیوارهای باستانی.

۳. استخراج لایه‌های آماده برای GIS

پس از تحلیل اولیه، سیستم داده‌های دو مدل را با یکدیگر تطبیق می‌دهد. در صورت وجود الگوهای معماری، هر سنگ به قطعه دیوار مربوطه متصل می‌شود. خروجی نهایی، دو لایه نقشه استاندارد و آماده استفاده در سامانه‌های اطلاعات جغرافیایی (GIS) است:

• لایه‌ای با موقعیت مکانی دقیق تمام سنگ‌های شناسایی‌شده.
• لایه نقشه ساختاری محوطه بر اساس دیوارهای بازسازی‌شده.

دکتر ییتزچاک جافی (Yitzchak Jaffe)، از مؤلفان این پژوهش، اشاره می‌کند که این فناوری می‌تواند انباشت آشفته سنگ‌ها را به تصویری شفاف از سازمان‌دهی فضایی محوطه تبدیل کند. همچنین ارئل اوزیئل (Erel Uziel)، پژوهشگر این طرح، تاکید دارد که دستیابی به این میزان از جزئیات مکانی در گذشته، تنها با انجام کاوش‌های وسیع و پرهزینه امکان‌پذیر بود.

سنجش کارایی در شرایط گوناگون محیطی

تیم پژوهشی برای ارزیابی میزان دقت الگوریتم‌ها، آن را در ۹ محوطه باستانی گوناگون به آزمون گذاشتند. این مناطق از نظر پوشش گیاهی، رنگ خاک، جنس سنگ‌ها و میزان تخریب تنوع زیادی داشتند تا عملکرد سیستم در محیط‌های مختلف سنجیده شود.

نتایج به‌دست‌آمده از آزمون‌های میدانی:

• شناسایی حدود ۳۵۰,۰۰۰ سنگ ساختمانی در مجموع ۹ محوطه.
• تشخیص دقیق حدود ۲۰ درصد از سنگ‌ها به‌عنوان بخشی از ساختار دیوارها.
• عملکرد موفق در شرایط پیچیده محیطی مانند مناطق با پوشش گیاهی متراکم یا لایه‌های نیمه‌پنهان.

تعامل دانش انسانی و هوش مصنوعی

با وجود توانمندی چشمگیر این ابزار، نقش تخصصی باستان‌شناس همچنان محوری و غیرقابل جایگزین است. این سامانه به‌صورت نیمه‌خودکار (Semi-automated) طراحی شده است؛ بدین معنا که آماده‌سازی داده‌ها، آموزش مدل، ارزیابی خروجی‌ها و در نهایت تفسیر باستان‌شناختی یافته‌ها بر عهده پژوهشگر انسانی است.

هوش مصنوعی حجم کارهای تکراری و نقشه‌برداری دستی را به‌شدت کاهش می‌دهد، اما تصمیم‌گیری نهایی و تحلیل‌های علمی همچنان متکی بر دانش باستان‌شناس خواهد بود.

مزایای کاربردی در کاوش‌های میدانی آینده

مزیت اصلی این روش تنها به سرعت‌بخشی در تهیه نقشه محدود نمی‌شود، بلکه امکانات تحلیلی نوینی را ارائه می‌دهد:

• شناخت الگوهای ساخت‌وساز: امکان بررسی شیوه معماری، الگوی بناها و نحوه گسترش زیستگاه‌ها بدون نیاز به جابه‌جایی سنگ‌ها فراهم می‌شود.
• هدایت دقیق عملیات کاوش: داده‌های مکانی حاصل از سیستم، نقطه هدف کاوش را به‌دقت مشخص می‌کنند. این امر از تخریب غیرضروری لایه‌های باستانی جلوگیری کرده و هزینه‌ها را بهینه‌سازی می‌کند.
• مطالعات تطبیقی بین محوطه‌ای: به‌دلیل زمین‌مرجع بودن (Georeferenced) خروجی‌ها، مقایسه ساختارهای معماری در محوطه‌های گوناگون با استانداردی یکسان تسهیل می‌شود.

شناسنامه علمی پژوهش

این دستاورد با عنوان «Semi-automatic detection of building stones and wall segments of archaeological ruins» به قلم ارئل اوزیئل (Erel Uziel)، موتی زوهر (Motti Zohar) و ییتزچاک جافی (Yitzchak Jaffe) در نشریه تخصصی Journal of Archaeological Science منتشر شده است.

پژوهشگران کدها و مدل‌های آموزش‌دیده خود را به‌صورت دسترسی آزاد قرار داده‌اند تا متخصصان در سراسر جهان بتوانند از این روش برای پژوهش‌های خود بهره ببرند.

نتیجه‌ گیری

پیوند هوش مصنوعی با فناوری‌های داده‌برداری هوایی، فصل تازه‌ای را در مستندنگاری و تحلیل ویرانه‌های کهن گشوده است. سیستم بازسازی نیمه‌خودکار دیوارهای سنگی، علاوه بر صرفه‌جویی چشمگیر در زمان و هزینه‌های کاوش، نقشه‌هایی دقیق و استاندارد برای سامانه‌های GIS ارائه می‌دهد. این رویکرد نوآورانه نشان می‌دهد که آینده باستان‌شناسی بیش از هر زمان دیگری به همکاری میان هوش مصنوعی و دانش تخصصی انسان وابسته است.

سوالات متداول