{"id":73046,"date":"2021-11-05T09:38:45","date_gmt":"2021-11-05T08:38:45","guid":{"rendered":"https:\/\/icac.cat\/?p=73046"},"modified":"2021-11-05T09:58:08","modified_gmt":"2021-11-05T08:58:08","slug":"un-nuevo-algoritmo-de-aprendizaje-automatico-permite-detectar-cerca-de-10-000-tumulos-arqueologicos-en-galicia","status":"publish","type":"post","link":"https:\/\/icac.cat\/es\/actualitat\/noticies\/2021\/un-nuevo-algoritmo-de-aprendizaje-automatico-permite-detectar-cerca-de-10-000-tumulos-arqueologicos-en-galicia\/","title":{"rendered":"Un nuevo algoritmo de aprendizaje autom\u00e1tico permite detectar cerca de 10.000 t\u00famulos arqueol\u00f3gicos en Galicia"},"content":{"rendered":"

Los t\u00famulos arqueol\u00f3gicos<\/strong> son uno de los tipos m\u00e1s comunes de sitios de inter\u00e9s arqueol\u00f3gico, y se pueden encontrar en todo el mundo. Esta es quiz\u00e1s la raz\u00f3n por la que muchos estudios han intentado desarrollar m\u00e9todos para automatizar su detecci\u00f3n.<\/p>\n

Su forma caracter\u00edstica de mont\u00edculo<\/strong> ha sido el rasgo principal para su identificaci\u00f3n en el terreno y mediante el uso de datos topogr\u00e1ficos basados \u200b\u200ben LiDAR<\/a>, que generalmente toman la forma de Modelos Digitales de Terreno (en ingl\u00e9s, Digital Terrain Models<\/em> o DTM).<\/p>\n

La forma simple de los t\u00famulos es ideal para su detecci\u00f3n mediante enfoques de aprendizaje profundo<\/a> (deep learning<\/em>). Los detectores de aprendizaje profundo generalmente requieren grandes cantidades de datos de entrenamiento (del orden de miles de ejemplos) para poder producir resultados significativos.<\/p>\n

Sin embargo, la forma homog\u00e9nea semi-hemisf\u00e9rica<\/strong> de los t\u00famulos permite que los detectores funcionen \u00f3ptimamente con una cantidad mucho menor de datos de entrenamiento, reduciendo considerablemente el esfuerzo requerido para obtenerlo y los importantes recursos computacionales necesarios para entrenar un detector de red neuronal convolucional (CNN).<\/p>\n

\"\"
Datos topogr\u00e1ficos basados en LiDAR. Imagen: Miguel Carrero-Pazos.<\/figcaption><\/figure>\n

Al mismo tiempo, esta forma com\u00fan, simple y regular de los t\u00famulos puede representar tambi\u00e9n un inconveniente importante, y es que la forma es similar a muchas otras caracter\u00edsticas no arqueol\u00f3gicas y, por lo tanto, los estudios que implementan m\u00e9todos para la detecci\u00f3n de mont\u00edculos en DTM derivados de LiDAR y otros conjuntos de datos de alta resoluci\u00f3n se caracterizan por una gran presencia de falsos positivos<\/strong> (objetos identificados incorrectamente como mont\u00edculos).<\/p>\n

\n
\n

El nuevo algortimo proporciona un camino a seguir para la detecci\u00f3n de t\u00famulos con una menor presencia de falsos positivos.<\/p>\n<\/div>\n<\/div>\n

Los miembros del equipo GIAP<\/a> del Instituto Catal\u00e1n de Arqueolog\u00eda Cl\u00e1sica<\/a> (ICAC) Iban Berganzo<\/a> y H\u00e8ctor A. Orengo<\/a> se encontraron con esta situaci\u00f3n al llevar a cabo las primeras fases de un estudio sobre detecci\u00f3n autom\u00e1tica de t\u00famulos en Galicia. Hace poco se public\u00f3 una breve nota<\/a> sobre esta investigaci\u00f3n inicial, en la que se localizaron casi 9.000 t\u00famulos. Sin embargo, no todos eran t\u00famulos reales, ya que los resultados de la detecci\u00f3n automatizada tambi\u00e9n inclu\u00edan falsos positivos.<\/p>\n

\"\"
Tumuli<\/em> detectados en Galicia: (a) distribuci\u00f3n; (b) mapa de calor (heatmap<\/em>). Autor\u00eda: Iban Berganzo (ICAC).<\/figcaption><\/figure>\n

Tras la validaci\u00f3n inicial de los datos, que se realiz\u00f3 en colaboraci\u00f3n con los colegas del proyecto el Dr. Miguel Carrero<\/a> (University College London<\/a> \/ Universidad de Santiago de Compostela<\/a>, GEPN-AAT<\/a>), el Dr. Jo\u00e3o Fonte<\/a>\u00a0(Universidad de Exeter<\/a>) y el Dr. Benito Vilas<\/a>\u00a0(Universidad de Vigo<\/a>), los investigadores se dieron cuenta de que, del recuento inicial de cerca de 9.000 objetos detectados, solo cerca de 7.600 correspond\u00edan a mont\u00edculos arqueol\u00f3gicos reales.<\/p>\n

Aunque este era un resultado excelente<\/strong>, dado que la mayor\u00eda de los estudios similares presentaban porcentajes de falsos positivos a\u00fan m\u00e1s inferiores, el equipo pens\u00f3 que pod\u00eda mejorar la tasa de detecci\u00f3n y disminuir el n\u00famero de falsos positivos.<\/p>\n

\n

Durante el verano de 2021, Iban Berganzo<\/a> y H\u00e8ctor A. Orengo<\/a>, en colaboraci\u00f3n con el Dr. Felipe Lumbreras<\/a>\u00a0del\u00a0Centro de Visi\u00f3n por Computador\u00a0<\/a>(CVC), desarrollaron un nuevo enfoque para reducir el n\u00famero de falsos positivos y aumentar la tasa de detecci\u00f3n.<\/p>\n<\/div>\n

Despu\u00e9s de analizar la naturaleza de los falsos positivos detectados, este equipo de investigadores desarroll\u00f3 un enfoque h\u00edbrido que combina el aprendizaje autom\u00e1tico cl\u00e1sico (machine learning<\/em>) y el aprendizaje profundo (deep learning<\/em>)<\/strong>.\u00a0El objetivo era obtener una definici\u00f3n m\u00e1s precisa de t\u00famulos arqueol\u00f3gicos en la que no solo se tenga en cuenta la forma sino tambi\u00e9n las caracter\u00edsticas multiespectrales de los objetos a la hora de buscar t\u00famulos.<\/p>\n

Los primeros resultados han visto ahora la luz en un art\u00edculo cient\u00edfico<\/a> publicado en la revista Remote Sensing<\/em><\/strong><\/a>\u00a0(en acceso abierto), una de las principales revistas cient\u00edficas de la disciplina. En \u00e9l, los investigadores ampl\u00edan los datos analizados y la informaci\u00f3n sobre esta innovadora iniciativa de detecci\u00f3n autom\u00e1tica basada en la computaci\u00f3n.<\/p>\n

\"\"
Imagen publicada en el art\u00edculo en la revista Remote Sensing<\/em>, Berganzo et al., 2021: Graphical Abstract.<\/figcaption><\/figure>\n

En concreto, los resultados que ha producido este nuevo enfoque son nada menos que espectaculares:<\/p>\n