{"id":96000,"date":"2024-10-16T11:00:02","date_gmt":"2024-10-16T09:00:02","guid":{"rendered":"https:\/\/icac.cat\/?p=96000"},"modified":"2024-10-18T11:32:51","modified_gmt":"2024-10-18T09:32:51","slug":"qanats-ia-giap","status":"publish","type":"post","link":"https:\/\/icac.cat\/es\/actualitat\/noticies\/2024\/qanats-ia-giap\/","title":{"rendered":"Un nuevo modelo de IA creado por el grupo de investigaci\u00f3n GIAP permite detectar sistemas de regad\u00edo subterr\u00e1neos con una precisi\u00f3n nunca vista"},"content":{"rendered":"
La investigaci\u00f3n, publicada en la revista Journal of Archaeological Science<\/em><\/a>, es un avance clave en la identificaci\u00f3n de qanats en Oriente Pr\u00f3ximo, \u00c1frica y m\u00e1s all\u00e1.<\/h6>\n

Nazarij Bu\u0142awka<\/a>, Hector A. Orengo<\/a> e\u00a0Iban Berganzo-Besga<\/a>, miembros del equipo de arqueolog\u00eda computacional del grupo GIAP<\/a>, han creado un modelo de IA que permite mapear sistemas de riego subterr\u00e1neos (qanats<\/em>) utilizando inteligencia artificial e im\u00e1genes de espionaje de la era de la Guerra Fr\u00eda.<\/p>\n

El desarrollo del modelo se ha llevado a cabo en el marco del proyecto UnderTheSands<\/strong><\/a>, financiado por la Uni\u00f3n Europea (HORIZON-MSCA-2021-PF-01-101062705). El modelo puede localizar cerca del 63 % de todos los pozos con una precisi\u00f3n del 88 %, lo que lo convierte en el modelo m\u00e1s preciso hasta la fecha. Adem\u00e1s, a diferencia de otros, puede utilizar varios tipos de im\u00e1genes satelitales y aplicarse en distintas regiones.<\/p>\n

Los resultados han sido publicados en la revista Journal of Archaeological Science<\/em><\/a>. Distintos medios, como las prestigiosas revistas New Scientist<\/em><\/strong><\/a> y\u00a0National Geographic Polonia<\/em><\/a>, as\u00ed como varios portales internacionales en ingl\u00e9s<\/a>, espa\u00f1ol<\/a>, franc\u00e9s<\/a>, b\u00falgaro<\/a>, sueco<\/a> y japon\u00e9s<\/a>, se han hecho eco de la investigaci\u00f3n.<\/p>\n

\"\"
Figura 1: La l\u00ednea de pozos de \u00abqanat\u00bb en la zona de Chashmal-i Ali, cerca de Teheran (Iran) (seg\u00fan Schmidt 1940, pl. 37a; Bu\u0142awka, Orengo y Berganzo-Besga 2024, Fig. 1).<\/figcaption><\/figure>\n
<\/h6>\n
<\/h6>\n
Los qanats<\/em>: el ingenio hidr\u00e1ulico que llev\u00f3 el agua al desierto<\/h6>\n

Los qanats<\/em>, o karez<\/em> (k\u0101r\u0113z), son canales subterr\u00e1neos que extraen agua de acu\u00edferos o torrentes de monta\u00f1a. Un qanat<\/em> se cava con una pendiente gradual, lo que permite el flujo de agua limpia esencial para el uso dom\u00e9stico y el riego, y a menudo se conecta con el sistema de canales. Este tipo de estructura se conoce con diferentes nombres, ya que su uso se ha extendido a muchas partes del mundo, incluyendo Am\u00e9rica del Sur y Jap\u00f3n.<\/p>\n

Tal como mencion\u00f3 el profesor Hector A. Orengo<\/a> (ICREA-BSC-ICAC) en una entrevista con New Scientist<\/em>, \u00abpermitieron que la gente viviera en \u00e1reas donde antes habr\u00eda sido impensable\u00bb. En Espa\u00f1a tambi\u00e9n se pueden encontrar ejemplos de qanats<\/em>, conocidos localmente como \u00abgaler\u00edas filtrantes\u00bb o \u00abcimbras\u00bb. Curiosamente, los qanats<\/em> siguen en uso hoy en d\u00eda, por ejemplo, en Marruecos, donde se conocen como khetarra<\/em> (o foggara<\/em>).<\/p>\n

\"\"
Figura 2: Distribuci\u00f3n de qanats en zonas \u00e1ridas del mundo (Nazarij Bu\u0142awka; Basemap: Natural Earth, clima \u00e1rido y semi\u00e1rido seg\u00fan la clasificaci\u00f3n clim\u00e1tica de K\u00f6ppen-Geiger [1]).<\/figcaption><\/figure>\n

La mayor\u00eda de los investigadores creen que esta t\u00e9cnica se origin\u00f3 en Ir\u00e1n, mientras que otros afirman que los m\u00e1s antiguos conocidos son de Om\u00e1n. Se acepta generalmente que la difusi\u00f3n de los qanats<\/em> est\u00e1 relacionada con la expansi\u00f3n del Imperio aquem\u00e9nida (650\u2013330 a. C.) y, posteriormente, con las conquistas \u00e1rabes (a partir del siglo VII d. C.), que se extendieron por el norte de \u00c1frica y la pen\u00ednsula ib\u00e9rica. Con la colonizaci\u00f3n espa\u00f1ola, los qanats<\/em> tambi\u00e9n llegaron a las Am\u00e9ricas. La descripci\u00f3n t\u00e9cnica m\u00e1s antigua de c\u00f3mo construir qanats<\/em> proviene del sabio persa Abubakr Mohammad Karaji (953\u20131029 d. C.).<\/p>\n

 <\/p>\n

El uso de im\u00e1genes satelitales desclasificadas y una IA pionera revela secretos antiguos ocultos bajo tierras \u00e1ridas<\/h6>\n

En la superficie, un sistema de qanat<\/em> es una l\u00ednea de pozos espaciados regularmente, utilizados para eliminar escombros durante la excavaci\u00f3n o para limpiar el t\u00fanel. Esta caracter\u00edstica permite que los qanats<\/em> se detecten desde el espacio. El mayor problema en los estudios de qanats<\/em> es que los pozos individuales se conservan de manera diferente y f\u00e1cilmente se pueden confundir con otros objetos, pozos y fosas, que son muy comunes. Adem\u00e1s, muchos de los sistemas de qanats<\/em> han sido destruidos. Por lo tanto, se deben utilizar im\u00e1genes a\u00e9reas o satelitales antiguas para encontrar antiguos sistemas de qanats<\/em>.<\/p>\n

Ha habido varios enfoques para automatizar la detecci\u00f3n de los qanats<\/em>. Los m\u00e1s importantes hasta la fecha han sido los esfuerzos del equipo de Jason Ur, que utiliz\u00f3 el modelo UNET e im\u00e1genes satelitales CORONA. Sin embargo, el modelo solo funcionaba con un tipo de imagen espec\u00edfico y estaba limitado a una sola \u00e1rea. Los resultados conten\u00edan muchos errores.<\/p>\n

\"\"
Figura 3: Una vista cercana a la l\u00ednea de qanat en la zona de Maiwand (Nazarij Bu\u0142awka).<\/figcaption><\/figure>\n

 <\/p>\n

Despu\u00e9s de probar diferentes m\u00e9todos, los investigadores del GIAP encontraron una nueva soluci\u00f3n. En lugar de analizar solo los pozos subterr\u00e1neos de manera aislada, tuvieron en cuenta la relaci\u00f3n entre los pozos que forman parte de una misma l\u00ednea de qanat<\/em>. En un sistema de qanat<\/em>, los pozos suelen estar dispuestos en l\u00edneas rectas y con una separaci\u00f3n regular. Por lo tanto, en lugar de analizar cada pozo de forma independiente, el modelo utiliza informaci\u00f3n sobre c\u00f3mo est\u00e1n organizados en pares o grupos, lo que ayuda a identificar mejor todo el sistema de qanats <\/em>y a reducir los errores de detecci\u00f3n.<\/p>\n

Tambi\u00e9n se utilizaron im\u00e1genes esp\u00eda desclasificadas del sat\u00e9lite HEXAGON y el modelo de deep learning<\/em> YOLO (You Only Look Once). Las im\u00e1genes del sat\u00e9lite HEXAGON fueron tomadas durante la Guerra Fr\u00eda para localizar objetivos militares dentro de la Uni\u00f3n Sovi\u00e9tica y m\u00e1s all\u00e1. La calidad de HEXAGON es comparable a las mejores im\u00e1genes de alta resoluci\u00f3n, pero son en blanco y negro. Desde que fueron desclasificadas, estas im\u00e1genes han captado la atenci\u00f3n de los arque\u00f3logos, ya que ofrecen una vista de los paisajes antes de que fueran transformados.<\/p>\n

Como explica el Dr. Iban Berganzo-Besga<\/a> (Univ. of Toronto – ICAC), YOLO es actualmente el modelo m\u00e1s avanzado, y por eso fue elegido. La eficacia del modelo en la detecci\u00f3n de qanats<\/em> radica en su alta precisi\u00f3n y en la creaci\u00f3n de un flujo de trabajo completo, desde el procesamiento inicial de la imagen hasta la eliminaci\u00f3n autom\u00e1tica de posibles errores, explica el profesor Hector A. Orengo<\/a>. Las pruebas realizadas con im\u00e1genes de Ir\u00e1n, Afganist\u00e1n y Marruecos han demostrado que el modelo puede utilizarse para detectar qanats<\/em> utilizando diversas im\u00e1genes y \u00e1reas.<\/p>\n

<\/h6>\n
Hacia un futuro de nuevos descubrimientos: perfeccionando la IA para encontrar restos ocultos bajo la tierra<\/h6>\n

El equipo del GIAP contin\u00faa trabajando en la mejora del modelo, con el objetivo de ampliar su capacidad para detectar qanats<\/em> y otros sistemas de riego antiguos. Aunque la versi\u00f3n actual puede detectar qanats<\/em> a partir de grandes im\u00e1genes CORONA e im\u00e1genes modernas tras convertirlas a escala de grises, los futuros trabajos incluir\u00e1n la ampliaci\u00f3n del conjunto de datos y la mejora del postprocesamiento del modelo.<\/p>\n

Con el uso de nuevas t\u00e9cnicas de inteligencia artificial, como la arquitectura de deep learning<\/em> Transformer, los investigadores abren nuevas v\u00edas para explorar el pasado con una precisi\u00f3n nunca antes vista. El futuro promete avances fascinantes en la detecci\u00f3n de restos arqueol\u00f3gicos subterr\u00e1neos en diversas regiones y \u00e9pocas.<\/p>\n

 <\/p>\n

 <\/p>\n

\n
Sobre el Instituto Catal\u00e1n de Arqueolog\u00eda Cl\u00e1sica (ICAC-CERCA)<\/h6>\n

El\u00a0Instituto Catal\u00e1n de Arqueolog\u00eda Cl\u00e1sica (ICAC-CERCA)<\/a>\u00a0es\u00a0un centro CERCA<\/strong>\u00a0creado como consorcio en 2003 por la Generalitat de Catalunya y la Universidad Rovira i Virgili. Es una instituci\u00f3n catalana con vocaci\u00f3n internacional, puntera en la investigaci\u00f3n y conservaci\u00f3n del patrimonio arqueol\u00f3gico. Tiene su sede en Tarragona, ciudad reconocida como Patrimonio Mundial por la UNESCO en el a\u00f1o 2000. Sus investigadores e investigadoras trabajan para comprender el pasado a trav\u00e9s del estudio de los restos arqueol\u00f3gicos y promover la preservaci\u00f3n del legado hist\u00f3rico. \u00a1Somos CERCA!<\/p>\n

Para m\u00e1s informaci\u00f3n, visitad el sitio web del ICAC en\u00a0www.icac.cat<\/a>.<\/p>\n

\"\"<\/p>\n","protected":false},"excerpt":{"rendered":"

La investigaci\u00f3n, publicada en la revista Journal of Archaeological Science, es un avance clave en la identificaci\u00f3n de qanats en Oriente Pr\u00f3ximo, \u00c1frica y m\u00e1s all\u00e1. Nazarij Bu\u0142awka, Hector A. Orengo e\u00a0Iban Berganzo-Besga, miembros del equipo de arqueolog\u00eda computacional del grupo GIAP, han creado un modelo de IA que permite mapear sistemas de riego subterr\u00e1neos […]<\/p>\n","protected":false},"author":160,"featured_media":95983,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_genesis_hide_title":false,"_genesis_hide_breadcrumbs":false,"_genesis_hide_singular_image":false,"_genesis_hide_footer_widgets":false,"_genesis_custom_body_class":"","_genesis_custom_post_class":"","_genesis_layout":""},"categories":[329,335,343,332],"tags":[448,835,541],"_links":{"self":[{"href":"https:\/\/icac.cat\/es\/wp-json\/wp\/v2\/posts\/96000"}],"collection":[{"href":"https:\/\/icac.cat\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/icac.cat\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/icac.cat\/es\/wp-json\/wp\/v2\/users\/160"}],"replies":[{"embeddable":true,"href":"https:\/\/icac.cat\/es\/wp-json\/wp\/v2\/comments?post=96000"}],"version-history":[{"count":6,"href":"https:\/\/icac.cat\/es\/wp-json\/wp\/v2\/posts\/96000\/revisions"}],"predecessor-version":[{"id":96033,"href":"https:\/\/icac.cat\/es\/wp-json\/wp\/v2\/posts\/96000\/revisions\/96033"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/icac.cat\/es\/wp-json\/wp\/v2\/media\/95983"}],"wp:attachment":[{"href":"https:\/\/icac.cat\/es\/wp-json\/wp\/v2\/media?parent=96000"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/icac.cat\/es\/wp-json\/wp\/v2\/categories?post=96000"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/icac.cat\/es\/wp-json\/wp\/v2\/tags?post=96000"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}