Arheologii au utilizat modele de învățare profundă, bazate pe DeepLab V3+, pentru a identifica posibile rezervoare de apă necunoscute anterior în zona Angkor, fosta capitală a Imperiului Khmer.
Angkor se află în provincia Siem Reap din Cambodgia și a fost centrul imperiului între secolele al IX-lea și al XV-lea d.Hr.
După 1431, odată cu declinul imperiului, orașul a fost în mare parte părăsit, cu excepția câtorva temple antice care au continuat să fie folosite pentru practici religioase Theravada.
Studii anterioare, realizate de o echipă internațională de cercetători, au folosit imagini din satelit și tehnologia LiDAR pentru a identifica vestigiile zonei urbane a orașului, descoperind peste 25.000 de elemente ascunse sub vegetație.
Datorită volumului mare de muncă necesar pentru cartografierea completă a peisajului dincolo de zona centrală a Angkorului, un nou studiu publicat în revista PLOS One a aplicat inteligența artificială (AI) pentru a eficientiza procesul.
Cum a fost antrenat modelul AI
Pentru a antrena modelul AI, a fost necesară o bază de date extinsă cu informații despre formele cunoscute ale rezervoarelor. Din peste 11.000 de exemple, aproximativ 3.600 de mostre de înaltă calitate au fost selectate după verificări manuale.
Modelul a fost antrenat utilizând imagini de 512×512 pixeli și tehnici avansate pentru a spori precizia și a evita supraajustarea. Conform autorilor studiului, AI a demonstrat o acuratețe rezonabilă în detectarea rezervoarelor, atingând un scor F1 de până la 45% în regiunile favorabile.
Această performanță plasează AI la un nivel comparabil cu cel al unui student uman. Utilizarea AI, împreună cu validarea de către experți, ar putea reduce timpul necesar pentru sarcinile de cartografiere cu până la 90%, scrie incredibilia.ro.
Cercetătorii au subliniat potențialul integrării inteligenței artificiale în proiecte de cartografiere la scară largă pentru a accelera cercetarea. Totuși, ei au insistat asupra importanței validării rezultatelor de către experți umani.
Studiile viitoare vor explora modalități de a îmbunătăți adaptabilitatea rețelelor neuronale la diferite tipuri de peisaje, utilizând tehnici de adaptare la specificul fiecărei zone.