الذكاء الاصطناعي في علم الآثار — كيف يساعد الباحثين على اكتشاف المواقع الأثرية من الصور والبيانات
الذكاء الاصطناعي في علم الآثار صار أداة فعّالة لاكتشاف مواقع أثرية مخفية تحت الغطاء النباتي أو التراب. في هذا المقال نشرح خطوات عملية ومصادر بيانات وأدوات يمكن للباحثين والهواة استخدامها للعثور على آثار جديدة أو تحسين العمل الميداني.
الذكاء الاصطناعي في علم الآثار
كيف يعمل الأمر عمليًا؟ الفكرة الأساسية أن نماذج تعلم الآلة تعالج بيانات مثل صور الأقمار الصناعية متعددة الطيف، خرائط الارتفاع الرقمية (DEM) ونقاط LiDAR لاستخراج أنماط لا ترى بالعين المجردة: حدود هلالية، خطوط مستقيمة غير طبيعية، أو تغايرات في الطوبولوجيا تدل على أعمال بشرية قديمة.
لماذا تستثمر في هذه الأدوات؟
- زيادة نسبة الاكتشاف قبل الانتقال للميدان مما يقلل التكاليف والجهد.
- تمكين الدراسة على نطاق واسع باستخدام بيانات مجانية أو منخفضة التكلفة.
- دمج نتائج متعددة الطبقات (صور، ارتفاعات، بيانات طبوغرافية) لتقييم أفضل للمواقع.
أدوات وبيانات للبحث الميداني والرقمي
ابدأ بمصادر بيانات متاحة ثم انتقل لأدوات المعالجة.
- مصادر بيانات: صور Sentinel-2 (Copernicus)، صور رادار وبيانات LiDAR حيث تتوافر، وبيانات DEM من خدمات مثل USGS EarthExplorer (EarthExplorer).
- برمجيات GIS وپردة البيانات: QGIS لتحليل طبقات الخرائط، Google Earth Engine لمعالجة صور الأقمار ذات النطاق الواسع، LAStools أو PDAL لمعالجة بيانات LiDAR.
- نماذج وتقنيات ML: شبكات التقسيم (U-Net) لكشف البنى، نماذج كشف الكائنات للتعرّف على ملامح محددة، وتقنيات ما قبل المعالجة مثل إنشاء مؤشرات نباتية (NDVI) للكشف عن اختلافات الغطاء النباتي.
خطوات عملية لبدء مشروع كشف أثرية باستخدام AI
- تعريف الهدف: هل تبحث عن هياكل مبنية أم طرقًا قديمة أم مدافن؟ صِف ما تريد اكتشافه بدقة.
- جمع البيانات: نزّل صورًا فضائية مجانية (Sentinel)، ابحث عن سحب LiDAR محلية أو طلب مسح طائرات بدون طيار إن أمكن.
- تحضير البيانات: إعادة إثبات إحداثيات، تصحيح إشعاعي، إنشاء مشتقات مثل NDVI وDEM. لشرح مفصل حول تجهيز البيانات استخدم موردنا عن تحضير مجموعات بيانات جاهزة للذكاء الاصطناعي.
- اختيار نموذج: لنماذج التقسيم أو الكشف استخدم نماذج مفتوحة المصدر كـ U-Net أو Mask R-CNN، ويمكنك البدء بنماذج مُدربة مسبقًا ثم إعادة تدريبها على عيناتك.
- التجربة والتحقق: اختبر النموذج على مناطق معروفة للتأكد من دقته قبل استنتاج نتائج جديدة.
- المراجعة الميدانية: قم بعمليات تحقق أرضية مختارة لاستبعاد نتائج خاطئة.
إذا كنت تفكر في تقنيات متقدمة مثل تنسيق عدّة وكلاء لمعالجة مهام متوازية (نمذجة، فحص، وأولوية مواقع)، فاقرأ المزيد عن تنسيق وكلاء الذكاء الاصطناعي لتفهم كيف تُقسّم المهام وتُدمج النتائج.
التحديات والاعتبارات الأخلاقية والقانونية
استخدام AI لاكتشاف آثار يثير مسائل مهمة:
- الحساسية الثقافية وحقوق المجتمعات المحلية—لا تنشر إحداثيات مواقع جديدة دون استشارة الجهات المختصة.
- الحماية من النهب—نشر نتائج غير محمية قد يساعد تهريب الآثار.
- دقة النماذج—النتائج ليست قطعية؛ الخوارزميات تُجري استنتاجًا يحتاج تحققًا بشريًا.
ماذا تحتاج من معدات وميزانية المبدئية
- للبدء: حاسوب متوسط مع GPU بسيط (مثلاً بطاقة بذاكرة 6-8 جيجابايت) يكفي للتجارب الأولية.
- لمشروعات أكبر: استئجار وقت حوسبة سحابية أو استخدام خوادم تقدم تسريع GPU.
- للمسح الميداني: طائرة بدون طيار بكاميرا متعددة النطاقات أو التعاقد مع جهة توفر مسوح LiDAR.
أسئلة شائعة
هل يمكن للهواة استخدام هذه الطرق بسهولة؟
نعم يمكن للهواة البدء بأدوات مجانية مثل QGIS وصور Sentinel، لكن الوصول إلى نتائج موثوقة يتطلب تعلّم خطوات إعداد البيانات وتقييم النتائج.
ما المصادر المفتوحة الجيدة للصور والبيانات؟
منصات مثل USGS EarthExplorer، Copernicus Sentinel Hub وOpenTopography توفر بيانات مفيدة. لالتحاق سريع، جرّب Google Earth Engine للمشروعات التي تتطلب معالجة واسعة النطاق.
هل يحتاج المشروع إلى ترخيص قانوني؟
يعتمد ذلك على بلدك والموقع. المسح الميداني، الحفر أو النشر قد يتطلبان تصاريح من الجهات الأثرية الوطنية.
كيف أتأكد أن نتائج النموذج ليست مُضلِّلة؟
باستخدام مجموعات بيانات اختبار معروفة، وبتنويع مصادر البيانات (صور وLiDAR وDEM)، وإجراء تحقق ميداني لعينة من النتائج.
خاتمة
الذكاء الاصطناعي في علم الآثار يفتح آفاقًا جديدة لاكتشاف وحماية التراث بمقاييس أوسع وأسرع. البداية ممكنة بأدوات مجانية وبيانات مفتوحة، لكن النجاح يتطلب مزيجًا من التحليل التقني والحسّ الأخلاقي والتعاون مع الجهات المختصة.
