Πρωτότυπος Τίτλος:
Αξιοποίηση της Γεωπληροφορικής, για την αυτοματοποιημένη χαρτογράφηση αντικειμένων - κατασκευών αρχαιολογικού ενδιαφέροντος: Μελέτη περίπτωσης στην νήσο Δήλου
Συγγραφέας:
Φυλάκτος, Παύλος, Δημήτριος
Επιβλέπων καθηγητής:
Χαλκιάς, Χρίστος
Περίληψη:
Τις τελευταίες δεκαετίες έχει υπάρξει ραγδαία ανάπτυξη στον τομέα τις Τεχνητής Νοημοσύνης (Artificial Intelligence) και ιδιαίτερα των τεχνητών νευρωνικών δικτυών (ARTIFICIAL NEURAL NETWORKS - ANNs). Ο κλάδος της αρχαιολογίας δεν θα μπορούσε και αυτός να μην επηρεαστεί από αυτές της καινούργιες και καινοτόμες τεχνολογίες , οι οποίες είναι πολλά υποσχόμενες όσον αφορά στην χρησιμοποίησή τους, σαν συμπληρωματικό εργαλείο σε πληθώρα ερευνών στην αρχαιολογία. Η παρούσα διπλωματική εργασία πραγματεύεται την αυτοματοποιημένη αναγνώριση αρχαίων κτιρίων – δωματίων αρχαίων κτιρίων του αρχαιολογικού χώρου της νήσου Δήλου, μέσα από τις αυτοματοποιημένες εντολές του Γεωγραφικού Προγράμματος πληροφοριών ΑrcGIS Pro 3.0.3. . Το αλγοριθμικό μοντέλο το οποίο εκπαιδευτικέ για την εκπόνηση της εργασίας είναι ο αλγόριθμος Mask RCNN, ο οποίος είναι από τις πιο εξελιγμένες μορφές της κατηγορίας των συνελικτικών νευρωνικών δικτύων (CONVOLUTIONAL NEURAL NETWORKS - CNNs) και εξαιρετικά αποτελεσματικός, στην αναγνώριση και διαφοροποίηση συγκεκριμένων αντικειμένων (πχ. Περιγράμματα κτιρίων) από το εγγύς περιβάλλον τους με την τεχνική, τμηματοποίηση εικόνας (Image Segmetation).
Για της ανάγκες της εργασίας, χρησιμοποιήθηκε ως χαρτογραφικό υπόβαθρό, δορυφορική εικόνα υψηλής χωρικής διακριτικής ικανότητας του δορυφορικού συστήματος World View 3. Αν και υπήρχαν κάποιοι περιορισμοί κατά την εκπόνηση της έρευνας, με βασικότερο την χαμηλή υπολογιστική ισχύ του συστήματος που χρησιμοποιήθηκε. Ωστόσο τα αποτελέσματα ήταν ενθαρρυντικά καθώς αναγνωρίστηκαν το ένα τέταρτο (434 πολύγωνα) περίπου, από τα 1675 πολύγωνα του αρχικού διανυσματικού αρχείου εισαγωγής. Ειδικότερα, το αλγοριθμικό μοντέλο, με τιμή εύρους ανοχής (κατώφλι) στο 0,9, απέδωσε F1 SCORE (DISTRIBUTION OF CONFIDENCE) 93% για τα σωστά αναγνωρισμένα κτίρια βάσει του απόλυτου αριθμού των αποτελεσμάτων.
Συνοψίζοντας, η παρούσα διπλωματική εργασία αναδεικνύει τη σημαντική συμβολή της τεχνητής νοημοσύνης στην αρχαιολογία, αξιοποιώντας δεδομένα υψηλής χωρικής διακριτικής ικανότητας για την ακριβή αναγνώριση αρχαίων κατασκευών. Ο συνδυασμός αλγοριθμικών μοντέλων μηχανικής μάθησης με δεδομένα τηλεπισκόπησης επιτρέπει την απομακρυσμένη ανάλυση των πεδίων ενδιαφέροντος, συχνά μέσω αυτοματοποιημένων ή ημι-αυτοματοποιημένων εφαρμογών. Ωστόσο, είναι σημαντικό να επισημανθεί ότι η αρχαιολογική έρευνα απαιτεί επιτόπια παρατήρηση και τα παραπάνω εργαλεία δεν μπορούν να την υποκαταστήσουν. Αντίθετα, μπορούν να λειτουργήσουν συμπληρωματικά, προσφέροντας στοιχεία και δεδομένα που περιορίζουν το κόστος και τον χρόνο στο πεδίο. Ένα άλλο ζήτημα που απασχολεί την επιστημονική κοινότητα είναι η πολυπλοκότητα και η ποικιλία των αρχαιολογικών καταλοίπων, που καθιστούν δύσκολη τη δημιουργία συγκεκριμένων μοτίβων και αντίστοιχων βιβλιοθηκών δεδομένων. Αυτές οι βιβλιοθήκες είναι απαραίτητες για την παραμετροποίηση κάθε περίπτωσης και την βελτιστοποίηση των αυτοματοποιημένων διεργασιών. Παρ' όλα αυτά, η ανάπτυξη της τεχνητής νοημοσύνης έχει επιφέρει μια τεχνολογική επανάσταση τα τελευταία χρόνια, και η συμβολή της αναμένεται να αυξηθεί στο μέλλον.
Για της ανάγκες της εργασίας, χρησιμοποιήθηκε ως χαρτογραφικό υπόβαθρό, δορυφορική εικόνα υψηλής χωρικής διακριτικής ικανότητας του δορυφορικού συστήματος World View 3. Αν και υπήρχαν κάποιοι περιορισμοί κατά την εκπόνηση της έρευνας, με βασικότερο την χαμηλή υπολογιστική ισχύ του συστήματος που χρησιμοποιήθηκε. Ωστόσο τα αποτελέσματα ήταν ενθαρρυντικά καθώς αναγνωρίστηκαν το ένα τέταρτο (434 πολύγωνα) περίπου, από τα 1675 πολύγωνα του αρχικού διανυσματικού αρχείου εισαγωγής. Ειδικότερα, το αλγοριθμικό μοντέλο, με τιμή εύρους ανοχής (κατώφλι) στο 0,9, απέδωσε F1 SCORE (DISTRIBUTION OF CONFIDENCE) 93% για τα σωστά αναγνωρισμένα κτίρια βάσει του απόλυτου αριθμού των αποτελεσμάτων.
Συνοψίζοντας, η παρούσα διπλωματική εργασία αναδεικνύει τη σημαντική συμβολή της τεχνητής νοημοσύνης στην αρχαιολογία, αξιοποιώντας δεδομένα υψηλής χωρικής διακριτικής ικανότητας για την ακριβή αναγνώριση αρχαίων κατασκευών. Ο συνδυασμός αλγοριθμικών μοντέλων μηχανικής μάθησης με δεδομένα τηλεπισκόπησης επιτρέπει την απομακρυσμένη ανάλυση των πεδίων ενδιαφέροντος, συχνά μέσω αυτοματοποιημένων ή ημι-αυτοματοποιημένων εφαρμογών. Ωστόσο, είναι σημαντικό να επισημανθεί ότι η αρχαιολογική έρευνα απαιτεί επιτόπια παρατήρηση και τα παραπάνω εργαλεία δεν μπορούν να την υποκαταστήσουν. Αντίθετα, μπορούν να λειτουργήσουν συμπληρωματικά, προσφέροντας στοιχεία και δεδομένα που περιορίζουν το κόστος και τον χρόνο στο πεδίο. Ένα άλλο ζήτημα που απασχολεί την επιστημονική κοινότητα είναι η πολυπλοκότητα και η ποικιλία των αρχαιολογικών καταλοίπων, που καθιστούν δύσκολη τη δημιουργία συγκεκριμένων μοτίβων και αντίστοιχων βιβλιοθηκών δεδομένων. Αυτές οι βιβλιοθήκες είναι απαραίτητες για την παραμετροποίηση κάθε περίπτωσης και την βελτιστοποίηση των αυτοματοποιημένων διεργασιών. Παρ' όλα αυτά, η ανάπτυξη της τεχνητής νοημοσύνης έχει επιφέρει μια τεχνολογική επανάσταση τα τελευταία χρόνια, και η συμβολή της αναμένεται να αυξηθεί στο μέλλον.
Ημερομηνία κατάθεσης:
2024-11-08
Γλώσσες Τεκμηρίου:
Ελληνικά
Θεματικές Κατηγορίες:
Γεωγραφία (Γενικά)
Λοιπά Θέματα:
Τεχνητή νοημοσύνη
Γεωγραφικά συστήματα πληροφοριών
Γεωγραφικά συστήματα πληροφοριών
Λέξεις-κλειδιά:
Δήλος, Αρχαιολογία, Συνελικτικά νευρωνικά δίκτυα, Μηχανική Μάθηση
Περιγραφή:
68 σ.,εικ.,πίν.,διαγρ.,χάρτες,σχ.
Άδεια χρήσης:
Αναφορά Δημιουργού – Μη Εμπορική Χρήση – Όχι Παράγωγα Έργα 4.0
