Téléchargez le pdf : pdf
L’article “Machine learning for rapid mapping of archaeological structures made of dry stones – Example of burial monuments from the Khirgisuur culture, Mongolia –” par Monna, F.; Magail, J.; Rolland, T.; Navarro, N.; Wilczek, J.; Gantulga, J.O.; Esin, Y.; Granjon, L.; Allard, A.-C. Chateau-Smith, C. vient d’être publié dans Journal of Cultural Heritage. 43, 118-128.
La présente étude, menée dans le cadre du projet ROSAS, propose un workflow pour extraire des orthomosaïques l’énorme quantité de pierres sèches utilisées pour construire les complexes funéraires des steppes mongoles. Plusieurs algorithmes d’apprentissage automatique pour la classification binaire des pixels (c.-à-d. Pierres vs Non pierres) ont été évalués. Les données utilisées en entrée ont été extraites d’orthomosaïques haute résolution et de modèles numériques d’élévation (tous deux dérivés de l’imagerie aérienne par drone). L’analyse comparative a utilisé deux espaces colorimétriques (RVB et HSV), des caractéristiques de texture (cartes matricielles de contraste, d’homogénéité et d’entropie) et l’indice de position topographique, combinés à neuf algorithmes d’apprentissage supervisé (centroïde le plus proche, Bayes naïfs, k voisins les plus proches, régression logistique , analyses discriminantes linéaires et quadratiques, machine à vecteurs de support, forêt aléatoire et réseau neuronal artificiel). Lorsque les entités sont traitées ensemble, d’excellentes cartes de sortie, très proches ou surpassant les normes actuelles en archéologie, sont observées pour presque tous les modèles.
ABSTRACT: The present study proposes a workflow to extract from orthomosaics the enormous amount of dry stonesused by past societies to construct funeral complexes in the Mongolian steppes. Several different machine learning algorithms for binary pixel classification (i.e. stone vs non-stone) were evaluated. Input features were extracted from high-resolution orthomosaics and digital elevation models (both derived from aerial imaging). Comparative analysis used two colour spaces (RGB and HSV), texture features (contrast, homogeneity and entropy raster maps), and the topographic position index, combined with nine supervised learning algorithms (nearest centroid, naive Bayes, k-nearest neighbours, logistic regression, linear andquadratic discriminant analyses, support vector machine, random forest, and artificial neural network). When features are processed together, excellent output maps, very close to or outperforming current standards in archaeology, are observed for almost all classifiers. The size of the training set can be drastically reduced (to ca. 300 samples) by majority voting, while maintaining performance at the highest level (about 99.5% for all performance scores). Note, however, that if the training set is inadequate or notfully representative, the classification results are poor. That said, the methods applied and tested here are extremely rapid. Extensive mapping, which would have been difficult with traditional, manual, or semi-automatic delineation of stones using a vector graphics editor, now becomes possible. This workflow generally surpasses pedestrian surveys using differential GPS or a total station.