Este notable logro representa la aplicaci\u00f3n m\u00e1s extensa de dicho enfoque hasta la fecha y ofrece oportunidades sin precedentes para la reconstrucci\u00f3n de paisajes antiguos.<\/p>\n<\/div>\n<\/div>\n
Durante el \u00faltimo siglo, el paisaje ha sufrido modificaciones sin precedentes, con la implementaci\u00f3n generalizada de la agricultura mecanizada, los sistemas de riego basados en canales y la expansi\u00f3n urbana, entre otros factores. Los mapas hist\u00f3ricos proporcionan una visi\u00f3n valiosa de paisajes que desaparecen<\/strong>, representando numerosos elementos hist\u00f3ricos y arqueol\u00f3gicos que ya no existen en la actualidad.<\/p>\n Los algoritmos dise\u00f1ados por el Laboratorio de Arqueologia Computacional del grupo GIAP se centran principalmente en identificar y extraer caracter\u00edsticas de t\u00famulos que tienen una alta probabilidad de ser asentamientos arqueol\u00f3gicos. Los t\u00famulos son uno de los rasgos arqueol\u00f3gicos m\u00e1s frecuentemente documentados en la serie de mapas hist\u00f3ricos de la Survey of India<\/strong>, aunque no se reconocieran como tales durante las prospecciones originales.<\/p>\n Las caracter\u00edsticas de los t\u00famulos con un potencial arqueol\u00f3gico significativo suelen representarse mediante hachuras o l\u00edneas de contorno equivalentes, por lo que los algoritmos se han desarrollado meticulosamente para detectar cada una de estas caracter\u00edsticas. Un enfoque innovador que aborda dos desaf\u00edos comunes en los estudios arqueol\u00f3gicos automatizados<\/strong>: la distribuci\u00f3n escasa de caracter\u00edsticas arqueol\u00f3gicas para la detecci\u00f3n y la disponibilidad limitada de datos de entrenamiento.<\/p>\n<\/div>\n Estos algoritmos se han aplicado con \u00e9xito a varios tipos de mapas dentro de la serie hist\u00f3rica de 1 pulgada a 1 milla, lo que ha aumentado la complejidad de la detecci\u00f3n. Aprovechando datos sint\u00e9ticos y empleando una estrategia de \u00abAprendizaje de Curr\u00edculo\u00bb (Curriculum Learning<\/em>, en ingl\u00e9s), los algoritmos han logrado una mejor comprensi\u00f3n de las caracter\u00edsticas visuales de los t\u00famulos.<\/p>\n Adem\u00e1s, se ha implementado un conjunto de filtros basados en el entorno topogr\u00e1fico<\/strong>, la forma y el tama\u00f1o para mejorar la precisi\u00f3n de los modelos. Los algoritmos resultantes muestran un valor de recuperaci\u00f3n impresionante del 66,96 % y una precisi\u00f3n del 96,25-88,51 % (para \u00e1reas de alta y baja densidad, respectivamente) para los t\u00famulos representados con hachuras, as\u00ed como un valor de recuperaci\u00f3n del 70,59 % y una precisi\u00f3n del 100-92,31 % (para \u00e1reas de alta y baja densidad, respectivamente) para los t\u00famulos representados con l\u00edneas de contorno.<\/p>\n Los resultados facilitaron la detecci\u00f3n de casi 6,000 caracter\u00edsticas de t\u00famulos en un \u00e1rea extensa de 470,500 kil\u00f3metros cuadrados, marcando la aplicaci\u00f3n m\u00e1s extensa de dicho enfoque hasta la fecha.<\/p>\n<\/div>\n<\/div>\n Estos notables algoritmos representan un salto significativo en el campo de la investigaci\u00f3n arqueol\u00f3gica y proporcionan una herramienta invaluable para el mapeo y la comprensi\u00f3n de paisajes antiguos<\/strong>. El potencial para descubrir yacimientos arqueol\u00f3gicos desconocidos previamente es inmenso, abriendo nuevas posibilidades para acad\u00e9micos, historiadores y arque\u00f3logos.<\/p>\n El estudio es el resultado de una colaboraci\u00f3n entre el Laboratorio de Arqueolog\u00eda Computacional del Instituto Catal\u00e1n de Arqueolog\u00eda Cl\u00e1sica (ICAC-CERCA)<\/strong>, el McDonald Institute of Archaeological Research<\/a><\/strong> de la Universidad de Cambridge<\/a> y el Centro de Visi\u00f3n por Computador (CVC-CERCA)<\/a> de la Universidad Aut\u00f3noma de Barcelona<\/a>.<\/p>\n Consulta la publicaci\u00f3n en acceso abierto<\/strong>:<\/p>\n Berganzo-Besga, I.<\/a>; Orengo, H. A.<\/a>; Lumbreras, F. et al.<\/em> \u00abCurriculum learning-based strategy for low-density archaeological mound detection from historical maps in India and Pakistan\u00bb<\/a>, Sci Rep<\/em> 13, 11257 (2023). https:\/\/doi.org\/10.1038\/s41598-023-38190-x<\/a><\/p>\n<\/div>\n <\/p>\n \u2b06\ufe0f \u2014 GIAP, Landscape Archaeology Research Group (@GIAP_ICAC) August 6, 2023<\/a><\/p><\/blockquote>\n![\"\"](\"https:\/\/icac.cat\/wp-content\/uploads\/2023\/08\/GIAP-algoritme-tumuli-indus_berganzo_orgengo_2023-2-1024x485.png\")
<\/p>\n![\"\"](\"https:\/\/icac.cat\/wp-content\/uploads\/2023\/08\/GIAP-algoritme-tumuli-indus_berganzo_orgengo_2023-3-1024x276.png\")
\n
\nThe news echo these remarkable results, with an article in @LaVanguardia<\/a> by @nachoorovio<\/a> (in Spanish):
\nhttps:\/\/t.co\/xrgSDo391i<\/a>#ComputationalArchaeology<\/a> #RemoteSensing<\/a> #AncientLandscapeReconstruction<\/a><\/p>\n