Опыт применения машинного обучения для идентификации курганов

МАИАСП № 19. 2025

Опыт применениямашинного обучения для идентификации курганов

Но следует обратить внимание на тот факт, что большинство исследований в качестве объекта используют региональный или глобальный масштаб, а на локальных участках машинное обучение используется как инструмент обработки и автоматизации фильтрации рельефа.

Целью данной статьи является выбор оптимального метода автоматизированной обработки данных лазерного сканирования на основе алгоритмов машинного обучения и математико-картографического моделирования для поиска курганов. В качестве объектов исследования были выбраны участки, расположенные на территории двух памятников — поселение и курганный могильник эпохи бронзы «Станция Красавка» и курганная группа (2 насыпи) около объекта культурного наследия федерального значения «Поселение-3».

Характеристика района исследований

Поселение эпохи бронзы — «Станция Красавка», расположено в Аткарском районе Саратовской области на второй надпойменной террасе левого берега р. Медведицы, в 100 м к северо-востоку от современного течения Медведицы, в 700 м к юго-западу от железнодорожной станции Красавка, в 2,5 км к северо-востоку от с. Нижняя Красавка и в 2,6 км к востоку от г. Аткарска.

Первые сведения о поселениях и курганных могильниках бронзового века в окрестностях с. Нижняя Красавка были получены в 1920—1930-х гг. по результатам разведок П. С. Рыкова, Н. К. Арзютова и И. В. Синицына. Сравнительно близкое расположение двух памятников — Нижняя Красавка-1 и Нижняя Красавка-2 привели к некоторой путанице в историографии, что затрудняет идентификацию проводившихся там до середины XX в. работ. Раскопки поселения «Станция Красавка» начались в 2019 г. и продолжаются до настоящего времени. Была вскрыта часть полуземляночной постройки прямоугольной формы (Лопатин, Тарабрин 2020: 76—81).

В непосредственной близости от поселения зафиксирована курганная группа, которая, по предварительным данным, может быть родовым могильником обитателей поселения «Станция Красавка».

На момент проведения исследований территория представляла собой пахотные угодья на преимущественно слабопокатом склоне западной экспозиции с углами наклона 1—3˚.

Курганная группа (2 насыпи) около объекта культурного наследия федерального значения «Поселение-3» (далее «Тамань-3») расположена в Темрюкском районе Краснодарского края на южном побережье Таманского залива в 5,2 км к северо-востоку от станицы Тамань, на левом борту балки Лисовицкого и севернее шоссе ст. Тамань — пос. Сенной.

Курганная группа известна с середины XIX в. и по настоящее время, на этой территории проводились несколько археологических изысканий (Кузнецова, Чурекова 2022: 76—81).

Ландшафт археологического памятника представлен слабопокатым макросклоном северной экспозиции с углами наклона 1—3˚ и более крутыми склонами восточной экспозиции балки Лисовицкого. В центральной части четко выражены два кургана высотой по 0,93 и 0,73 м и диаметром 50 и 44 м соответственно.

Исходные данные и метод

Алгоритм проведения данного исследования включает в себя несколько этапов:

• 1.    Получение исходных данных и их первичная обработка.

• 2.    Фильтрация данных.

• 3.    Анализ данных методами машинного обучения.

• 4.    Сопоставление полученной информации и окончательные выводы.

Первый этап заключается в получении исходных данных, источником которых послужили полевые работы, выполненные в апреле 2023 г. на территории археологического памятника «Станция Красавка» (площадь 8,27 га) (Свидетельство № 2023624926), а также

В.А. Данилов, В.А. Морозова, М.Н. Растегаева, А.В. Федоров

МАИАСП № 19. 2025

наземная лидарная съёмка, выполненная в июле 2024 г. на территории курганной группы около античного сельского поселения Тамань-3 (13,4 га) (Свидетельство № 2025620969).

Методика получения данных при выполнении наземной лазерной съёмки на обеих территориях существенно не отличалась и подробно описана в статье (Данилов и др. 2024: 5—24). Единственное отличие заключалось в характере подстилающей поверхности. Если на территории памятника «Станция Красавка» она была представлена озимыми высотой около 15 см, то на территории «Тамани-3» половина сельхозугодий была занята под стернёй высотой 10—15 см, а вторая половина под залежью с редким травостоем высотой 2—10 см, но на конечный результат данный факт не оказал существенного влияния. Обработка результатов полевых работ осуществлялась в программе Leica Cyclon, в результате были получены облака точек на оба участка исследования.

На втором этапе проводится упрощение и уменьшение объема, фильтрация и приведение исходных данных к регулярной сети. Пространственное разрешение модели рельефа сети имеет важное значение в выделении локальных максимумов, ведь чем больше точек на единицу площади получается, тем детальнее будет модель, что в свою очередь требует больших вычислительных ресурсов для дальнейшей обработки.

Вычисление отметок высот по регулярной сети делается, прежде всего, для удобства дальнейшего анализа.Для решения этой задачи, на языке программирования Python, была разработана программа, позволяющая выбрать в заданной ячейке регулярной сети точку с минимальным значением по высоте и сохранить её в новую базу данных (Свидетельство № 2025614924). В результате её работы, на каждую территорию исследования, были получены новые облака точек с размерностью сетки значений с шагом 25× 25 см, максимально приближенные к земной поверхности.

На третьем этапе ставилась задача на базе высокоточной цифровой модели рельефа (ЦМР) на территориях исследования в автоматизированном режиме выделить курганы, в том числе визуально нечитаемые, на основе методов и алгоритмов машинного обучения.

В качестве базовой модели для дальнейшего анализа и сравнения результатов было выбрано облако точек на территорию археологического памятника «Станция Красавка». Ранее на этой территории были идентифицированы и отфильтрованы курганы в полуавтоматическом режиме на основе технологии Hillshade (Данилов и др. 2024: 5—24), которые можно использовать в качестве опорной модели для выбора оптимального алгоритма обработки и анализа данных.

Предварительная обработка облака точек заключалась в определении направления и вычислении угла глобального уклона поверхности для её дальнейшего горизонтирования. Это нужно, чтобы выровнять все точки относительно горизонтальной плоскости и минимизировать уклон. Такая операция позволит более чётко выявить все неровности и отклонения по высоте на плоскости, включая курганы. Для решения этой задачи был создан программный модуль, который позволяет на основе данных из облака точек высчитать приращения высоты в каждой точке и получить новое значение высоты для последующего анализа. После формирования нового облака точек, проводится его интерполяция и построение цифровой модели поверхности (ЦМП), используемой в дальнейших исследованиях.

Алгоритм выделения курганов

После опробования ряда методов машинного обучения для дальнейшего анализа был выбран алгоритм DBSCAN, который лучше всего позволил выделить и сгруппировать точки, относящиеся к курганам. Улучшение качества данных достигается при сочетании с методами математико-картографического моделирования.

Весь процесс анализа включает в себя несколько этапов.

• 1)    Преобразование и интерполяция данных. На этом этапе идет создание сетки, по которой будут распределены данные, для поиска артефактных значений методом скользящего окна. С помощью функции “ scipy.interpolate.griddata ” выполняется интерполяция высот. Из различных методов интерполяции выбор был остановлен на линейной и кубической

  МАИАСП № 19. 2025

  
  

Опыт применениямашинного обучения для идентификации курганов интерполяции позволяющей сохранить контур участка, лучше проследить изменения рельефа, а также обеспечить при построении более сглаженную модель поверхности.

После интерполяции полученной ЦМП требуется дополнительная обработка, в частности, фильтрация. На ЦМП применяется алгоритм «Гауссов фильтр», позволяющий сгладить поверхность. Это даёт возможность отсеять возвышенности, однозначно являющиеся артефактными, и улучшить качество данных для последующих шагов анализа.

• 2)    Поиск локальных максимумов. Для поиска потенциальных мест расположения курганов на ЦМП была использована функция “peak_local_max”. Она ищет в наборе данных высот локальные максимумы и определяет локализацию центральной точки среди группы найденных пиков.

• 3)    Кластеризация точек возвышенностей. На основе алгоритма DBSCAN была проведена кластеризация найденных максимумов на ЦМП, опирающаяся на концепцию керновых выборок. Использование этого алгоритма необходимо для объединения близко расположенных вершин в кластеры, представляющие отдельные курганы. Он был применен в связи с тем, что рассматривает кластеры как области высокой плотности, которые разделены областями низкой плотности и из-за этого довольно общего представления кластеры могут иметь любую форму (Алгоритмы машинного обучения: кластеризация, 2024).

• 4)    Создание и сохранение картографических материалов по результатам моделирования. Итогом обработки и моделирования данных лазерного сканирования методами машинного обучения, математико-картографического моделирования и ГИС-технологий является карта, на которой обозначены места локальных максимумов высот поверхности, указывающих на возможное наличие курганов (рис. 1).

В результате апробирования различных алгоритмов программирования и машинного обучения, на данный момент был выделен наиболее оптимальный, отражающий локальные максимумы артефактных групп относительно уплощенной трансформированной поверхности рельефа.

После определения оптимальных параметров для участка станции Красавка, данный алгоритм был опробован на территории участка «Тамань-3» (рис. 2).

Интерпретация результатов и выводы

Способ линейной и кубической интерполяции с применением гауссова фильтра и метода скользящего окна позволяет лучше визуализировать различные неровности поверхности и проанализировать их на предмет того, являются ли они курганом или нет. На данном этапе программа выделяет все неровности, артефакты. Было проведено ранжирование и фильтрация полученных локальных максимумов, чтобы отсечь явные артефакты, которые в основном формируются по краям модели. Гиперпараметры, методы интерполяции, величина сетки и сглаживание подбирается для конкретного участка, чтобы варьировать частоту и способ нахождения локальных максимумов. Также следует отметить, что не для каждого случая можно корректно определить точный размер потенциального кургана.

В контексте нахождения локальных максимумов, чувствительность модели может зависеть от нескольких факторов: сглаживания, поиска локальных максимумов и кластеризации.

Параметры сглаживания . Использование функции “ gaussian_filter ” с параметром sigma влияет на сглаживание данных. Чем выше значение sigma , тем более сглаженной будет поверхность, что может привести к уменьшению количества выявляемых локальных максимумов, так как соседние значения отметок высот будут сглажены.

Параметры поиска локальных максимумов . Функция “ peak_local_max ” имеет параметры min_distance и threshold_abs , которые определяют минимальное значение превышения локального максимума и расстояние между данными пиками соответственно. Изменение этих параметров может существенно повлиять на количество и расположение найденных локальных максимумов.

В.А. Данилов, В.А. Морозова, М.Н. Растегаева, А.В. Федоров

МАИАСП № 19. 2025

Параметры кластеризации . Алгоритм DBSCAN использует параметры eps и min_samples , которые определяют радиус для поиска «соседних» значений локальных максимумов и минимальное количество точек для формирования кластера. Эти параметры влияют на то, какие локальные максимумы будут сгруппированы в единые кластеры и, соответственно, на форму и количество выделенных контуров.

Параметры выделения на обоих участках были настроены для поиска возвышения локальных максимумов от поверхности на 10 см и более, параметры сглаживания sigma и уровень детализация кубической интерполяции ( cubic ) были выставлены соответственно на 1 и 1000, что позволило улучшить точность и визуальное качество отображения модели.

Значение скользящего окна кластеризации было выставлено методом подбора на 100, что позволило выделять локальные максимумы (центры возвышений условных курганов) радиусом от 10 до 50 метров. Экспериментально было установлено, что, при задании большего значения не все тестовые курганы выявляются моделью, при уменьшении — выделяются очевидно артефактные.

На основании исследования можно сделать следующие выводы: исходя из интеграции методов машинного обучения, математико-картографического моделирования, пространственного анализа средствами ГИС и алгоритмов машинного обучения, можно выделить зоны потенциального расположения курганных групп. Методика визуальной интерпретации курганов по светотеневой отмывке (Хиллшейд), рассмотренная в качестве предварительного анализа и обработки данных, позволяет выявить некоторые курганы, но не все. Стоит отметить, что для территорий со значительным уклоном рекомендуется также проводить предварительную обработку и фильтрацию поверхности, путем горизонтирования.

Основываясь на апробируемой методике с использованием машинного обучения, можно сказать, что на участке исследования «Тамань-3» алгоритм проявляет себя корректно на уже выделенных визуально курганах, но также ловит и другие артефакты поверхности, которые требуют дополнительного анализа. Уязвимость алгоритма в том, что он крайне чувствителен к разбросу высот и выявляет довольно много локальных максимумов, которые не всегда являются именно курганами (гряды, холмы, насыпи и т.п.).

Так, для исследуемого участка курганного могильника у поселения «Станция Красавка» первоначально при полевом обследовании было выявлено шесть курганов. На базе метода Хиллшейд было выделено девять, а алгоритмом машинного обучения уже пятнадцать локальных максимумов, которые потенциально могут быть центрами возвышенностей курганов (рис. 1). При этом пять из них идентифицируются и с помощью свето-теневой отмывки, и с помощью алгоритма машинного обучения. На территории участка «Тамань-3» первоначально было выявлено два кургана, после применения алгоритма было выделено семь локальных максимумов (рис. 2). Стоит отдельно сказать, что на обоих участках после применения как метода Хиллшейд, так и алгоритмов выделения локальных максимумов, были локализованы ранее выявленные при визуальном обследовании курганы.

Стоит отметить, что найденные локальные пики на участке Красавка в некоторых ячейках помещаются внутрь контура ранее выделенного кургана, что можно объяснить повреждением формы кургана в результате хозяйственной деятельности человека или воздействия природных эрозионных факторов.