Полученные с помощью дронов коротковолновые инфракрасные изображения (SWIR) в ландшафтной археологии: экспериментальный подход

Джесси Касана 1,* и Каролин Ферверда 2


1 Кафедра антропологии, Дартмутский колледж, Хановер, Нью-Гэмпшир 03755, США
2 Лаборатория пространственной археометрии (SPARCL), Дартмутский колледж, Хановер, Нью-Гэмпшир 03755, США;carolin.ferwerda@dartmouth.edu
* Переписка:jesse.j.casana@dartmouth.edu

Авторские права:© 2024 by authors. Лицензиат MDPI, Базель, Швейцария. Данная статья является статьей открытого доступа, распространяемой в соответствии с условиями лицензии Creative Commons Attribution (CC BY) (https:// Creativecommons.org/licenses/by/4.0/).

Многие породы, минералы и типы почв отражают свет в коротковолновом инфракрасном диапазоне (SWIR - 900–2500 нм) по-разному, и геологи долгое время полагались на это свойство в качестве вспомогательных данных при картировании различных поверхностных литологий. Хотя поверхностные археологические особенности, включая артефакты или остатки сооружений, также, вероятно, отражают длины волн SWIR света уникальными способами, археологические примененияSWIR-изображений редки, в основном из-за низкого пространственного разрешения и высокой стоимости получения этих данных. К счастью, новое поколение компактных, развертываемых с помощью дронов датчиков теперь позволяет получать гиперспектральные (>100 полос) SWIR-изображения сверхвысокого разрешения (<10 см) с использованием беспилотника, в то время как анализ этих сложных наборов данных теперь облегчается мощными программными пакетами для обработки изображений. В этой статье представлена экспериментальная попытка разработать методологию, которая позволила бы археологам получать изображения SWIR с помощью дрона, находить поверхностные артефакты в полученных данных и идентифицировать различные типы артефактов на снимках на основе их значений отражательной способности в спектре 900–1700 нм. Наши результаты иллюстрируют потенциал этого нового подхода в археологии, поскольку мы успешно находим и классифицируем многие поверхностные артефакты в нашем экспериментальном исследовании, но также и высвечивают проблемы в успешном получении и анализе данных, в значительной степени связанные с текущими ограничениями в технологии датчиков и дронов. Эти результаты показывают, что, поскольку базовое оборудование будет постоянно совершенствоваться в ближайшие годы, изображения SWIR, полученные с помощью дронов, могут стать мощным инструментом для обнаружения, документирования и анализа археологических ландшафтов.

Ключевые слова: БПЛА; дрон; мультиспектральный; инфракрасный; археологическая съемка; гиперспектральный; SWIR; ландшафтная археология

Введение
Хотя археология обычно ассоциируется с раскопками, большинство археологических памятников — остатки прошлых поселений или других видов деятельности — распознаются по наличию артефактов и других особенностей на поверхности земли [1,2]. Помимо простого обнаружения местоположения потенциально интересных объектов, анализ распределения и типа этих объектов может предоставить материал для анализа периодов заселения данного места; раскрыть способы использования пространства для сельского хозяйства, производственных практик или ритуалов; и предложить закономерности перемещения людей, вещей и других объектов по ландшафту [3–8]. По сути, большинство исследований археологических ландшафтов основаны на нашей способности находить, картировать и интерпретировать артефакты и особенности, обнаруженные на поверхности [9,10]. Тем не менее, в то время как развивающиеся технологии преобразили почти каждый аспект современных археологических исследований, наши стратегии обнаружения и картирования фрагментов поверхности остаются в значительной степени неизменными. В конечном счете, археологи должны идти медленно, глядя на землю, отмечая местоположение вещей, видимых человеческому глазу.
В этой статье представлены наши первые эксперименты по разработке нового метода документирования и анализа поверхностных археологических материалов с использованием, полученных с помощью дронов гиперспектральных данных.

Коротковолновые инфракрасные (SWIR) изображения.

Многие горные породы, минералы и почвы, которые невозможно дифференцировать на основе того, как они отражают видимый (450–700 нм) или ближний инфракрасный (700–900 нм) свет, можно легко различить на основе того, как они отражают более длинные волны света SWIR (900–2500 нм). Опираясь на этот принцип, геологи обычно используют мультиспектральные спутниковые изображения SWIR для определения местоположения и картирования областей с различной литологией. Теоретически, тот же подход можно использовать для идентификации и характеристики поверхностных археологических объектов, от архитектурных остатков до отдельных артефактов. Однако низкое пространственное разрешение существующих спутниковых датчиков в сочетании с большим размером и низкой частотой кадров бортовых датчиков SWIR делали такой подход непрактичным до недавнего времени.
Новое поколение датчиков, развертываемых с помощью дронов, теперь дает возможность получать изображения в коротковолновом ИК-диапазоне с пространственным разрешением лучше 10 см, что позволяет различать сотни полос или каналов, получая детальные кривые отражательной способности (или спектральные сигнатуры) поверхности земли.11].Более того, съемки с помощью дронов позволяют получать изображения при относительно низких затратах и в оптимальных сезонных или почвенно-растительных условиях. В принципе, полученные с помощью дронов изображения SWIR могут быть использованы для идентификации отдельных поверхностных артефактов или других небольших объектов и для характеристики этих артефактов на основе их отражательных свойств, что позволяет нам картировать распределение артефактов и объектов на обширных территориях ландшафта с эффективностью и точностью, которые никогда ранее не были возможны. В этой статье представлены наши первые усилия, поддержанные грантом NASA Space Archaeology, по разработке этого потенциально революционного нового подхода к исследованиям археологического ландшафта посредством контролируемого эксперимента. Результаты демонстрируют возможности и проблемы этой захватывающей новой технологии, подчеркивая успехи в обнаружении и классификации отдельных поверхностных артефактов, а также указывая на ключевые области для дальнейшего развития.

Фон

Геологи и другие ученые, изучающие Землю, уже давно используют изображения SWIR, полученные с помощью спутниковых программ Landsat и ASTER, для идентификации и описания различных типов горных пород, минералов и почв на больших территориях ландшафта.12–20]. Получая образцы различных пород или минералов в исследуемой области, можно измерить их значения отражения SWIR в лабораторных условиях, чтобы создать «библиотеку» спектральных профилей (спектральных сигнатур), каждый из которых предлагает уникальный спектральный отпечаток. Используя инструменты классификации для данных дистанционного зондирования, исследователи могут затем обучить программное обеспечение для идентификации любых пикселей на изображении, которые соответствуют этим значениям отражения, с некоторыми ограничениями, вытекающими из низкого спектрального разрешения большинства общедоступных спутниковых датчиков (рисунок1).

Несколько исследований также показали, что, несмотря на низкое пространственное и спектральное разрешение, изображения SWIR с датчиков спутников могут использоваться для обнаружения археологических памятников и объектов благодаря различным способам, которыми антропогенные почвы или поверхностные артефакты отражают длины волн SWIR. Например, изображения ASTER SWIR с разрешением 30 м использовались для определения местоположения объектов и дорог в северной Месопотамии [21,22], создания карты исторической эрозии почвы на юге Индии [23] и модели закупки ресурсов в Андах [24]. Несколько более высокое разрешение (3,7 м) восьмиканальных изображений SWIR с коммерческой спутниковой программы WorldView-3 также показало себя эффективным инструментом для обнаружения археологических памятников и объектов на Ближнем Востоке [25] и на острове Рапануи/Пасхи [26], но эти данные требуют больших затрат на получение, а эффективность этих изображений в значительной степени зависит от сроков получения данных, поскольку они относятся к локализованному наземному покрову. Перспективы обнаружения и картирования археологически значимых объектов с использованием изображений SWIR с более высоким разрешением были предложены несколькими исследованиями, в которых использовались данные, полученные с самолетов [27,28]или использовали портативные спектрометры для иллюстрации уникальных отражательных свойств археологических почв и поверхностных артефактов [29–33]. Однако эти датчики слишком велики для установки на беспилотники, а обычные самолеты не могут летать достаточно низко или медленно, чтобы получать изображения с разрешением менее 10 сантиметров.
В последние годы в археологии произошла революция благодаря постоянному развитию технологий беспилотных летательных аппаратов [3,34], и наши исследования основываются на этих достижениях. Археологи теперь обычно используют изображения в видимом свете, полученные недорогими потребительскими дронами для картирования археологических памятников и ландшафтов [35–37], и они все чаще экспериментируют с более сложными датчиками, помогающими в обнаружении объектов, включая мультиспектральные изображения в ближнем инфракрасном диапазоне, тепловизионные изображения и лидары [25,38–44]. Однако до недавнего времени коммерчески доступные датчики SWIR были слишком большими для использования на беспилотниках потребительского класса, что мешало экспериментировать с этим потенциально мощным инструментом для визуализации археологических ландшафтных объектов. Это исследование является первым экспериментом с археологическим потенциалом сверхвысокоразрешающих (расстояние выборки грунта <10 см [GSD]), гиперспектральных (>100 полос) изображений SWIR, полученных с помощью беспилотника потребительского класса.

Материалы и методы

В этом проекте представлены наши экспериментальные исследования с использованием гиперспектрального датчика SWIR, развернутого с помощью дрона, которые проводятся в рамках более крупного проекта по изучению применения изображений SWIR в археологии [25]. Наша цель состояла в том, чтобы определить, возможно ли, учитывая текущие технологические ограничения, получать SWIR-изображения с достаточным пространственным и спектральным разрешением для распознавания и характеристики отдельных артефактов, включая керамику, каменные орудия и металлы, а также архитектурные и другие поверхностные остатки. Мы также экспериментировали с различными подходами к анализу и классификации изображений, чтобы автоматизировать обнаружение отдельных артефактов. Ниже мы описываем технические детали датчикаSWIR, беспилотника и оборудования, планирование миссии по обследованию, наш экспериментальный проект и наш подход к обработке данных.

Датчик SWIR, развертываемый с помощью дрона

При разработке нашего подхода к этому исследованию мы оценили все коммерчески доступные датчики SWIR, которые имеют потенциал для развертывания на дроне. Лучшие из доступных сегодня бортовых датчиков SWIR слишком тяжелы для установки на потребительском дроне, поскольку они предназначены для развертывания на пилотируемых самолетах и слишком дороги для бюджетных ограничений большинства археологических исследовательских проектов. Большинство недорогих датчиков SWIR используются в основном в стационарных лабораторных условиях и не предназначены для развертывания в воздухе. В конечном итоге мы выбрали Pika IR+, воздушный датчик SWIR, разработанный фирмой Resonon из Монтаны, который получает до 326 спектральных полос в спектральном диапазоне 900–1700 нм со спектральным разрешением до 5,6 нм [45]. Мы также рассматривали датчик Headwall Micro-Hyperspec SWIR, который получает данные в более широком спектральном диапазоне (900–2500 нм), чем Pika IR+ от Resonon, но в конечном итоге значительно более низкая стоимость и более компактный размер Pika обеспечили наилучший баланс между стоимостью, размером датчика и спектральным разрешением.

Resonon Pika IR+ — это датчик pushbroom, как и большинство систем SWIR,выполняющих сканирование линия за линией шириной до 640 пикселей каждая. Поскольку изображение формируется за счет движения датчика вперед, разрешение изображения является производным от разрешения пикселей отдельных линий, скорости дрона во время получения данных, высоты датчика над землей и конфигурации объектива. Для воздушного развертывания датчик Pika IR+ устанавливается на алюминиевой раме, подключается к небольшому компьютеру управления полетом, твердотельному жесткому диску для получения данных и геодезическому IMUEllipse N. IMU получает входные данные GNSS (GPS) от внешнего GPS-модуля, а вся система питается от внешнего аккумулятора LiPo.
Первоначально мы стремились получать изображения с очень высоким разрешением (выборка GSD <4 см), что расширяет практические пределы большинства датчиков SWIR, доступных сегодня. Для получения высококачественных данных, которые относительно свободны от шума или помех, датчику требуется максимальное отражение света от поверхности земли. Длины волн SWIR несут гораздо меньше энергии, чем более коротковолновый видимый или ближний ИК-свет, что затрудняет создание датчиков с высоким разрешением, которые получают данные с очень высокой частотой кадров. Для достижения максимально возможного разрешения исследования SWIR должны проводиться при оптимальных условиях освещения, в идеале около полудня, в день без облаков или атмосферной дымки. В полевых условиях эти требования не всегда могут быть выполнены, но мы обнаружили, что попытки получения данных в полностью пасмурные дни не давали полезных данных, поскольку низкая частота кадров, необходимая для этих условий, требовала скорости полета и высоты, которые были несостоятельны для достижения высокого пространственного разрешения. Как правило, чем больше интенсивность отражения солнечной поверхностью, тем выше разрешение и чище данные SWIR, которые можно получить.
Интерфейс программного обеспечения Resonon позволяет пользователям настраивать как частоту кадров, так и количество спектральных полос, которые будет получать датчик, а уменьшение обоих этих параметров увеличит сигнал и уменьшит шум, тем самым производя спектральные данные более высокого качества. Выбор наилучших параметров получения данных — это баланс между частотой кадров, высотой полета дрона и скоростью, а оптимальные параметры варьируются в зависимости от полевых условий. Более низкая скорость полета обеспечивает более длительное время интеграции (т. е. экспозицию), что увеличивает отношение сигнал/шум (SNR) данных, что особенно важно в условиях низкой освещенности [46]. Однако более низкая частота кадров приводит к более грубому разрешению вдоль траектории, что требует снижения скорости дрона, чтобы компенсировать это снижение и поддерживать достаточное пространственное разрешение. Аналогично, более высокая частота кадров приводит к более высокому разрешению вдоль траектории, что затем требует снижения высоты полета, чтобы уменьшить разрешение поперек траектории и поддерживать соотношение сторон не менее двух [47]. Баланс частоты кадров, скорости полета и высоты полета является ключом к успешной миссии. В наших исследованиях мы стремились получать изображения с максимально возможным пространственным разрешением, в идеале с GSD 3 см, чтобы различать отдельные артефакты поверхности. Мы экспериментировали со многими различными настройками и обнаружили, что в ясный день при оптимальных полевых условиях наиболее эффективная частота кадров обычно составляет 40–60 кадров в секунду, при этом дрон летит на высоте 30–40 м над уровнем земли со скоростью 0,5–1,5 м/с. Однако фактическое GSD часто оказывается грубее, чем предсказывает программное обеспечение для планирования полета, из-за шума в данных, вызванного нестабильностью полета и спектральным искажением.

Планирование дронов и миссий

Для наших экспериментальных исследований мы установили Resonon Pika IR+ на гексакоптер DJI Matrice600 Enterprise-grade (рис.2). DJI M600 — это устаревшая модель дрона, первоначально выпущенная для потребителей в 2016 году, и, как таковая, она лишена производительности, аппаратных и программных обновлений более поздних дронов. Тем не менее, она остается одним из немногих потребительских дронов, способных поднять комплект датчика Pika, который весит 4,3 кг (9,47 фунта) со всеми батареями, кабелями и периферийными устройствами (более новая модель датчика Pika, выпущенная в 2023 году, весит всего 2,7 кг и, таким образом, может летать на более новых моделях дронов, таких как DJI M300 или M350). Для наших съемок мы закрепили алюминиевую раму Pika на карданном подвесе Ronin, который крепится к штангам полезной нагрузки M600. Компьютер управления полетом и датчик требуют внешнего аккумулятора LiPo, который мы установили в специальном корпусе, прикрепленном к планеру. Мы также прикрепили дополнительную мачту антенны GPS к верхней части планера и установилиGPS-шайбу, которая передает данные о местоположении в IMU Pika.

Планирование обследований для получения данных SWIR с использованием любого имеющегося в настоящее время коммерческого датчика значительно сложнее, чем с датчиками, интегрированными в оборудование дронов. Сначала пользователи планируют области интереса обследования (AOI - area of interest) в ГИС или Google Earth, а затем загружают файл KMZ с этой AOI в компьютер управления полетом Pika IR+ с помощью интерфейсаUSB-кабеля. Теоретически, затем датчик программируется на начало получения данных при каждом входе в AOI. Для получения нескольких смежных строк данных план полета должен включать достаточное перекрытие за пределами края AOI, чтобы датчик не работал во время поворотов. Поскольку каждая полоса съемки обрабатывается независимо (см. ниже), съемки SWIR pushbroom не требуют значительного бокового перекрытия, поэтому мы обычно планируем 10–15%. Используя оценки ширины полосы обзора из программного обеспечения для планирования полетов Resonon, пользователи вручную рассчитывают соответствующую величину перекрытия между полосами съемки. Однако поскольку датчик SWIR не закреплен на карданном подвесе, порывы ветра могут привести к крену дрона во время съемки, что приведет к пробелам в покрытии, если полосы съемки не имеют достаточного бокового перекрытия.
Чтобы достичь желаемого разрешения изображения 3–4 см GSD с нашим 25-миллиметровым объективом, мы проводили съемку на высоте 30–55 м над уровнем земли со скоростью около 1 м в секунду — скорость, которая может показаться мучительно медленной. Смотрите таблицу1 для параметров полета, используемых в эксперименте. С большой полезной нагрузкой датчика Pika мы обнаружили, что M600 может летать только 13–15 минут, в зависимости от ветра и погодных условий. Кроме того, перед началом съемки дрон должен выполнить серию поворотов в форме восьмерки, чтобы откалибровать IMU, что в идеале должно выполняться на более высоких скоростях полета для экономии заряда батареи. Чтобы удовлетворить эти сложные требования к планированию миссии, мы использовали приложение для планирования миссии Universal Ground Control Station(UgCS), поскольку оно позволяет пользователям изменять скорость дрона, ориентацию, тип поворота и высоту в каждой точке маршрута [48]. Однако для выполнения полета в полевых условиях программному обеспечению требуются как пульт дистанционного управления дроном, так и ноутбук, подключенные через внешнюю сеть WiFi— это сложная задача в полевых условиях, как мы обнаружили в ходе предыдущих лидарных исследований с использованием M600 [41].

Экспериментальная площадка

Для того чтобы проверить жизнеспособность сверхвысокоразрешающей SWIR-визуализации в археологии, мы разработали простое экспериментальное обследование, которое позволило бы нам определить, насколько эффективно датчик Resonon Pika IR+ может использоваться для обнаружения и характеристики артефактов. Сначала мы создали поддельные артефакты, предназначенные для имитации распространенных типов материалов, встречающихся на археологических объектах. Они включали (1) темно-серые/черные чешуйки дацитового кремня,
(2) белые осколки кремня новакулита, (3) осколки обсидиана красного дерева, (4) осколки черного обсидиана,
(5) черепки глазурованной белой керамики из неизвестных исторических коллекций Новой Англии, (6) черепки простой красной керамики, изготовленные из копий древней керамики, (7) квадраты из листового металла из чистой меди, (8) квадраты из листового металла из оцинкованной стали и (9) фрагменты обожженного кирпича с фундамента здания 19 века (рис.3). Мы создали две размерные категории искусственных артефактов: большую версию диаметром 5–7 см и меньшую версию диаметром ~3 см.

Для наших экспериментальных исследований мы выбрали местное бейсбольное поле (рис.4) так как это позволило нам размещать артефакты на одной области с травой и на другой области с внутриполевой смесью (смесь песка, ила, глины и мелкого гравия). Затем мы расположили искусственные артефакты в линии, по две линии двух разных размеров на каждом типе почвенного покрова. Мы разместили наземные контрольные цели по краям области съемки и записали точные XYZ-местоположения целей с помощью системы съемки Emlid Reach RS2 RTK. Пользовательская панель калибровки земли была помещена в AOI в качестве стандарта для преобразования необработанных данных в отражательную способность во время обработки данных. Мы записали дополнительные наземные контрольные точки по углам панели. Наконец, мы получили изображения сверхвысокого разрешения с беспилотника в видимом свете области съемки с помощью DJI Mavic 2 Pro и создали ортоизображение области съемки с разрешением 1 см с помощью Agisoft Metashape. Эти данные были экспортированы в ArcGIS Pro для последующего анализа.

Мы проводили исследования с использованием датчика Pika в течение многих дней на этом же участке, каждый раз перемещая артефакты и контрольные точки. Это позволило нам экспериментировать со многими различными параметрами получения изображений, уточняя настройки частоты кадров и спектральных каналов, а также изменяя настройки скорости, высоты и интервала полос съемки дрона. Здесь мы представляем наиболее эффективные параметры и их расположение.
Мы дополнительно изучили потенциал портативного недорогого спектрометра SWIR для разработки спектральной библиотеки образцов артефактов, которые могут помочь в классификации изображений. Мы использовали NirvaScan NIR-M-F1 (Allied Scientific Pro, Gatineau, QC, Canada), который имеет спектральный диапазон 900–1700 нм и 228 полос, для получения данных об отражательной способности SWIR для всех типов искусственных артефактов в нашем исследовании. Образцы прижимались к датчику, который включает встроенную галогенную лампу с 8-миллиметровым экраном, который блокирует окружающий свет и обеспечивает постоянное расстояние между датчиком и материалом. Каждый спектр представлял собой в среднем 6 сканирований, и для каждого образца было получено 30 спектров, при этом датчик перемещался для каждого спектра. Встроенный эталонный спектр для датчика использовался для всех сканирований. После экспорта данных об отражательной способности из NirvaScan вся обработка была завершена в Stata, и результаты сравнивались с данными спектральной отражательной способности с воздушного датчика Resonon.

Обработка и классификация данных

После успешного получения данных SWIR с борта БПЛА мы использовали программное обеспечение Spectronon компании Resonon для обработки и анализа данных [47]. Гиперспектральные данные обычно записываются в виде кубов данных, которые могут хранить данные в нескольких измерениях, в отличие от двумерной таблицы или трехмерного растрового файла. В Spectronon данные сначала преобразуются в яркость и отражательную способность, затем геопривязываются, преобразуются в первые производные и, наконец, анализируются с использованием нескольких возможных инструментов классификации. Каждая полоса съемки представлена одним кубом данных, причем каждый куб данных обрабатывается отдельно в Spectronon, прежде чем они будут объединены в мозаику в ArcGIS Pro в качестве последнего шага.
Сначала данные преобразуются в яркость с помощью предоставленных инструментов на основе стандартных формул преобразования и файла калибровки формирователя изображений, который является специфическим для каждого датчика. Затем данные яркости преобразуются в отражательную способность с использованием двухцветной калибровочной панели в качестве наземного стандарта. Для преобразования в отражательную способность требуется точно измеренный эталонный спектр панели (предоставленный Resonon) и выбор интересующей области (ROI) на панели на изображении, что позволяет инструменту сравнивать ожидаемые значения отражательной способности с фактическими значениями отражательной способности калибровочной панели, а затем применять рассчитанные поправки к остальной части куба данных. Последний шаг перед анализом — преобразование данных в первые производные с использованием фильтра Савицкого–Голея [49], что помогает сгладить некоторые присущие шумы, сохраняя при этом целостность данных [47].
На любом этапе обработки данных можно выполнить геокоррекцию. По своей природе пространственная точность данных pushbroom очень чувствительна к тангажу дрона, стабильности подвеса (или его отсутствию) и точности IMU [50]. Часто кубы данных довольно сложно интерпретировать визуально до геокоррекции. Плагин GeoRectify от Spectronon использует информацию IMU из съемки, среднюю высоту области съемки и вычисленные физические смещения между IMU и датчиком для пространственной коррекции куба данных. После геокоррекции кубы данных можно экспортировать как отдельные изображения и объединить в мозаику в ArcGISPro, поскольку собственные инструменты мозаики в Spectronon относительно просты.
Прежде чем приступить к классификации изображений, мы создали спектральные профили различных характеристик и экспериментировали с различными комбинациями полос, чтобы определить, какие длины волннаиболее эффективно различают искусственные артефакты и окружающую среду. Spectronon включает инструмент, который позволяет пользователю легко сравнивать спектральные профили различных ROI на изображении. В наших первых анализах изображений SWIR мы также экспериментировали с различными подходами к визуализации этих сложных наборов данных, назначая различные спектральные полосы каналамRGB, чтобы создать базовые комбинации полос, в которых большинство артефактов видны как на фоне травы, так и на фоне гравия (рисунок5).
После обработки кубов данных мы провели контролируемую классификацию [51] изображений SWIR с дронов, в которых мы вручную выбирали обучающие образцы, представляющие каждый тип артефакта, а также растительность и почву, а затем использовали один из многочисленных алгоритмов для автоматизации обнаружения других пикселей, которые разделяют набор схожих значений отражательной способности. В принципе, этот подход можно использовать в больших масштабах для обнаружения и идентификации артефактов в большой исследуемой области. Spectronon предлагает множество различных алгоритмов классификации, и в недавней литературе появляются другие инновационные подходы для улучшения результатов классификации [52,53]. Для эксперимента в таком масштабе и с небольшим количеством обучающих образцов мы выбрали спектральный угловой картограф (SAM) из-за его простоты, а также чувствительности к форме спектра и нечувствительности к яркости, что особенно важно в наборах данных с переменной освещенностью [17] Сначала мы использовали его в качестве исследовательского инструмента для определения того, какие материалы легче всего отличить от фона, а затем провели классификацию материалов с наиболее спектрально различными углами. SAM обрабатывает спектры как векторы в N-мерном пространстве, где N равно количеству полос, и вычисляет угол между этими векторами. Для каждого класса указывается максимальный порог угла, и пиксели не классифицируются, когда значения пикселей дальше этого порога. Цвет пикселя в классификации представляет собой наилучшее совпадение для каждого пикселя, в то время как значение пикселя вычисляется как спектральный угол, деленный на пороговое значение, чтобы определить класс с самым низким значением для данного пикселя. После запуска классификации мы скорректировали пороговые значения для каждого класса, чтобы оптимизировать обнаружение артефактов.

Результаты
Результаты наших экспериментальных усилий по обнаружению артефактов во многих отношениях многообещающие, но также подчеркивают многие проблемы, возникающие при реализации нашей более масштабной цели — использования этой новой технологии в полевых археологических условиях.
Датчики Pushbroom, такие как Pika IR+, в значительной степени зависят от устойчивости летательного аппарата, что может стать проблемой даже для более крупного и устойчивого дрона, такого как M600 [11,50]. Мы обнаружили, что точность бортового IMU Pika недостаточна для небольших площадей съемки, и что относительно новая система RTK Resonon для воздушного развертывания была необходима для получения данных о местоположении приемлемого качества. Система RTK взаимодействует через радиостанции, подключенные к Ellipse IMU на самолете и базовой станции Emlid Reach RS2, и оказалась эффективным способом получения более точных местоположений для получения данных и ортотрансформирования.
Эффективное использование системы для получения данных высокого разрешения зависит от баланса хорошего соотношения сигнал/шум с параметрами полета дрона, что приводит к

высокому спектральному и пространственному разрешению [50]. Полевые условия, отличные от ясных солнечных дней, особенно сложны, поскольку в пасмурные дни требуется более низкая частота кадров (и, следовательно, более низкая скорость полета и большая высота полета). Наличие блуждающих облаков также может полностью свести на нет линию полета и потребовать повторного обследования той же области. Кроме того, частота кадров и параметры полета должны обеспечивать перекрестное соотношение сторон по сравнению с соотношением сторон по ходу движения, равным примерно двум, для устранения нестабильности полета, что может потребовать от пользователя компромиссов в пространственном разрешении изображений.

Гиперспектральные данные могут быть зашумленными, особенно если они получены с неидеальным отношением сигнал/шум. Мы испробовали несколько подходов для борьбы с шумом, включая взятие первой производной, удаление шумных длин волн перед анализом и получение данных с полным спектральным разрешением перед усреднением полос во время обработки. Более того, каждая линия сканирования обрабатывается отдельно, и мы часто наблюдали значительные различия в отражательной способности одного и того же объекта в кубах данных. Это связано с двунаправленной функцией отражательной способности объекта (т. е. углом наклона солнца относительно положения формирователя изображения). Чтобы учесть различия в отражательной способности в кубах данных, мы выбрали обучающие образцы из всех кубов данных перед выполнением любых контролируемых классификаций.
Несмотря на эти проблемы, наши результаты являются многообещающими для перспективSWIR-визуализации с помощью дронов в качестве археологического инструмента. Анализ спектральных диаграмм для различных категорий артефактов, а также образцов голой земли и травы показывает, что в некоторых спектральных диапазонах наблюдается большая степень конвергенции в профилях отражательной способности, в то время как другие длины волн демонстрируют большую дискриминацию. Рисунок6иллюстрирует средние значения отражательной способности для всех категорий артефактов в нашем эксперименте, в дополнение к зеленой траве, мертвой траве и голым земляным фонам. Очевидно, что на всех спектральных кривых есть значительный шум на нижнем и верхнем диапазоне данных (800–900 нм и >1650 нм), а также вокруг диапазона 1350–1450 нм. Это происходит из-за того, что более слабое освещение на коротких и длинных волнах ухудшает сигнал, а также из-за атмосферного поглощения в среднем спектре [46]. Белая и красная керамика, а также белый кремень, кирпич и медь имеют довольно четкие спектральные профили, которые позволяют нам относительно легко отличать их друг от друга. С другой стороны, черный и красный обсидиан и черный кремень имеют очень низкие значения отражательной способности и кажутся похожими друг на друга по своим значениям отражательной способности в спектрах. Кроме того, эти материалы также очень близки по форме и значениям темного гравия и почвы в смеси внутри поля, что делает эти типы артефактов трудно распознаваемыми в наших данных и, вероятно, проблематичными для дифференциации в контролируемой классификации.
Мы экспериментировали со многими различными комбинациями полос, которые использовали бы спектральные диапазоны с наибольшими различиями между категориями артефактов, а также между фоновыми значениями для создания визуализаций, в которых появляются артефакты. Например, фарфоровая керамика показывает большой всплеск значений отражательной способности около 960, 1360 и 1680 нм с постепенно снижающимися значениями в других спектрах, тогда как белый кремень, кажущийся похожим в видимых спектрах, имеет более скромные пики при 1350, 1440 и 1680 нм и в остальном плоские и более низкие значения в других спектрах. Такого рода различия между артефактами позволяют нам улучшить видимость различных типов артефактов путем переключения различных комбинаций полос, как показано на рисунке5Б,С.
Однако в конечном итоге лучшим подходом при работе с таким сложным набором данных являетсяиспользование контролируемых инструментов классификации. Spectronon предлагает множество различных функций анализа изображений для помощи в обработке этих гиперспектральных данных, и мы экспериментировали со многими из них. Обработка данных с использованием фильтра Савицкого–Голея [49] обеспечивает сглаженное, первое производное изображение, которое показывает наибольшее количество типов артефактов, сохраняя при этом большую часть базовой спектральной изменчивости. Мы полагаемся на это изображение как на основу для контролируемой классификации с использованием инструмента классификацииSpectronon's Spectral angle mapper (SAM) (рисунок7). Результаты этого метода классификации успешно идентифицировали большую часть образцов простой красной керамики (50%), глазурованной белой керамики (50%) и кирпича (75%) как на гравийном, так и на травяном фоне (таблица2). Менее успешной оказалась локализация других категорий артефактов, был найден только один из четырех образцов меди и ни одного образца белого кремня. Красный и черный обсидиан и черный кремень не были включены в классификацию, поскольку эти материалы не были видны на изображении и, таким образом,

не удалось создать тренировочные образцы. Сталь не удалось отличить от почвы/гравия с использованием подхода SAM, поэтому она не была включена в итоговую классификацию.

Хотя точность классификации для большинства типов артефактов была невысокой, классификацией удалось достаточно хорошо отличить артефакты от травы и почвы. Классификация SAM успешно обнаружила 41% артефактов в нашем исследовании, что уже является хорошим результатом, учитывая, что многие из артефактов меньше, чем окончательное пространственное разрешение изображения при GSD 4 см. Если мы рассмотрим только те типы артефактов, которые мы можем легко распознать в данных SWIR (белая керамика, красная керамика, кирпич, белый кремень и медь), классификация SAM справится еще лучше, обнаружив 70% артефактов. С другой стороны, есть ряд ложных срабатываний — области травы или почвы были неправильно классифицированы как один из наших типов артефактов в классификации SAM. Это могут быть более крупные куски гравия или камня, небольшие куски мусора или даже просто участки земли, где отражение от поверхности было нелегко классифицировать.
Как обсуждалось выше, мы также попытались получить спектральные диаграммы SWIR всех типов артефактов в нашем экспериментальном исследовании с помощью портативного спектрометра в надежде, что эти данные можно будет использовать для обучения алгоритма классификации (рисунок8). В нашем исследовании мы обнаружили, что

значения отражательной способности, полученные с помощью нашего недорогого портативного спектрометра SWIR, значительно отличались от тех, которые были зарегистрированы датчиком Resonon во время наших экспериментальных исследований; это было связано с очень разными условиями освещения, при которых получали данные, а также с предполагаемыми различиями в аппаратном обеспечении двух датчиков. Кроме того, чрезвычайно низкие и в значительной степени недифференцированные значения отражательной способности во всем диапазоне 900–1700 нм для обоих металлов и более темных искусственных артефактов в нашем исследовании (черный кремень, обсидиан и кирпич) предполагают, что эти данные могут быть менее полезны для анализа некоторых типов артефактов.

Обсуждение
Результаты этого первого эксперимента с использованием SWIR-изображений с дронов в археологии показывают потенциал этой технологии для более широкого преобразования археологических обследований и ландшафтных исследований, а также подчеркивают несколько ключевых проблем в реализации этого потенциала. Наши экспериментальные данные показывают, что несколько типов артефактов можно легко различить на SWIR-изображениях адекватного разрешения и что контролируемый алгоритм классификации может использовать обучающие образцы известных типов артефактов для построения графика местоположения и типа других подобных артефактов в пределах области обследования. Эта базовая демонстрация потенциала технологии имеет большое значение и предполагает, что будущие эксперименты и дальнейшее развитие этого подхода оправданы.
Однако наш эксперимент показывает, что текущее зарождающееся состояние технологии датчиков SWIRна базе БПЛА затрудняет получение изображений с высоким пространственным разрешением из-за компромисса между частотой кадров датчика, скоростью и высотой полета дрона. Мы смогли достичь почти этой цели при GSD 4 см и успешно использовать это для обнаружения и характеристики артефактов; однако это было возможно только при съемке в оптимальных условиях освещения при скорости полета менее 1 м/с. Очевидно, что короткая продолжительность полетов, которые возможны с тяжелым Pika IR+, установленным на M600, сделает получение данных SWIR с таким разрешением на большой площади логистической проблемой. ОднакоResonon уже выпустила улучшенную версию датчика Pika SWIR, IR-L+, которая примерно в два раза легче модели, использованной в этом эксперименте, что означает, что ее можно развернуть на дроне с меньшей максимальной полезной нагрузкой и более длительным временем полета, чем у M600. IR-L+ также

включает более высокое спектральное разрешение с 470 полосами в диапазоне 925–1700 нм по сравнению с 336 полосами старой модели IR+. Поскольку в будущем будут продолжаться усовершенствования базовой технологии датчиков SWIR, исследования SWIR с разрешением, которое нам нужно для идентификации артефактов, станут только проще.
Однако следует отметить, что даже изображения SWIR с несколько более низким разрешением, например, с геометрическим разрешением 10–20 см, будут соответствовать пространственному разрешению большинства полученных нами данных воздушной тепловизионной съемки [40,42] а также большинство наземных геофизических методов, таких как магнитометрия, сопротивление или георадар [54]. Хотя отдельные артефакты было бы трудно идентифицировать при таком низком разрешении, это могло бы предложить потенциально мощный инструмент разведки и картирования для других видов поверхностных особенностей, включая архитектурные останки, полевые системы, дороги, ямы, канавы или земляные работы. Все эти особенности могут быть проявлены на поверхности различиями в составе почвы или включением экзотических камней и строительных материалов, что делает их хорошими кандидатами для документирования с использованием изображений SWIR. Аналогичным образом, данные SWIR можно использовать при низком разрешении для определения областей с различной плотностью поверхности артефактов — ключевого инструмента для картирования древних поселений [21] или следов земледелия [55]. Даже если мы не можем идентифицировать отдельные артефакты, достаточная концентрация артефактов в пределах большего пикселя повлияет на общие значения отражательной способности этой области земли, позволяя нам различать области с большей или меньшей плотностью артефактов, как было экспериментально продемонстрировано для тепловизионных изображений с низким разрешением [56].
Наш эксперимент также показывает, что некоторые категории артефактов, особенно те, которые имеют очень темный цвет, сложнее идентифицировать в данных, чем другие. В нашем анализе темно-серый дацитовый кремень и черный обсидиан были последовательно наиболее трудными для визуального выделения в комбинациях полос и также имели наименьшую вероятность успешной идентификации в контролируемой классификации. Эти материалы, как правило, поглощают больше энергии на всех длинах волн, а блестящие, плоские поверхности литического дебитажа, вероятно, вызывают большую вариацию в двунаправленной отражательной функции материала. С другой стороны, даже артефакты с такими проблемами поглощения и отражения могут быть идентифицированы на очень светлом фоне, таком как кварцевые пески или солончаки. Также возможно, что датчик SWIR с более широким спектральным диапазоном, таким как диапазон 700–2500 нм самых современных датчиков, может дать лучшие результаты для этих объектов с низкой отражательной способностью. Тем не менее, ни один метод обследования не позволит обнаружить все археологические материалы с одинаковой успешностью, поэтому простое понимание изменчивости эффективности данных SWIR для различных типов материалов поможет целенаправленно применять эту мощную технологию.
Наши попытки использовать портативный спектрометр для измерения значений отражательной способности конкретных артефактов не дали результатов, которые были бы напрямую сопоставимы со спектральными профилями тех же артефактов, зарегистрированных датчиком Resonon. Геологи использовали портативные спектрометры для создания спектральных библиотек гистограмм отражения SWIR для определенных типов горных пород и минералов, и впоследствии они использовали эти данные для интерпретации мультиспектральных спутниковых изображений или даже для обучения классификации [16,18,57]. Археологи иногда аналогичным образом использовали портативные спектрометры для анализа артефактов, в первую очередь как инструмент для поиска или идентификации антропогенных почв [29–33], и мы надеялись, что это позволит создать спектральную библиотеку типов артефактов в нашем исследовании. Однако отсутствие соответствия в значениях отражательной способности между двумя различными датчиками SWIR в сочетании с очень низкими и почти плоскими гистограммами для большинства артефактов темного цвета в нашем исследовании затрудняет использование данных ручного спектрометра в нашем исследовании. Вместо этого было бы предпочтительнее записывать спектральные профили известных артефактов с помощью того же датчика, который использовался в исследовании, и это, вероятно, даст данные, которые можно было бы использовать для обучения классификации артефактов по всему участку. Например, мы могли бы провести небольшую поверхностную коллекцию артефактов после исследования SWIR, определить ключевые типы артефактов, которые присутствуют на данном участке, а затем записать их профили отражательной способности, либо закрепив датчик SWIR на стенде, либо разложив артефакты на спектрально плоском материале и проведя съемку на малой высоте с помощью датчика на дроне.

Выводы
В этой статье представлены первоначальные результаты археологического эксперимента, разработанного для проверки возможности использования развернутого с помощью дрона датчика SWIR для обнаружения и характеристики поверхностных артефактов и особенностей. Хотя мы столкнулись со многими проблемами при проведении эксперимента, и результаты не являются панацеей, наши выводы, тем не менее, демонстрируют потенциал гиперспектральной съемки SWIR с высоким разрешением в археологии. Получение изображений с достаточным пространственным разрешением на большой площади и распознавание всех типов артефактов на фоне различных фоновых значений оказались самыми большими проблемами. Однако эти основные трудности являются технологическими проблемами, для которых мы можем ожидать улучшений в ближайшее время. Resonon уже выпустила новый бортовой датчик SWIR, который предлагает потенциально более высокое разрешение изображений и может быть развернут на более надежном дроне с более длительным временем полета, тем самым улучшая как разрешение, так и площадное покрытие. Главный конкурент, Headwall, также выпустил более компактную версию своего датчика SWIR, который теперь достаточно мал для установки на потребительский дрон и обеспечивает спектральный охват от 900 до 2500 нм [58]. Поскольку эти и другие компании продолжают развивать базовые сенсорные технологии, а возможности дронов продолжают совершенствоваться, мы можем ожидать, что развертывание датчиков SWIR в полевых условиях станет проще и продуктивнее в ближайшем будущем.
Успешная разработка и внедрение SWIR-съемки с помощью дронов может иметь широкомасштабное влияние на археологические исследования и управление культурным наследием. В регионах с высокой плотностью наземных артефактов мы могли бы составить карту их распределения с точностью и масштабом, которые ранее были невозможны, что позволило бы получить беспрецедентное представление о масштабах древних поселений, различной плотности артефактов в пространстве и вариативности типов артефактов, что может служить показателем датировки и характеристики места проживания. На отдельных участках мы могли бы определять районы проживания, свалки или районы промышленной производственной деятельности. Для участков с поверхностными архитектурными остатками или другими подобными особенностями мы могли бы быстро, точно и неразрушающе картировать их полную протяженность. В более крупном масштабе ландшафта этот метод мог бы выявлять различную интенсивность прошлой сельскохозяйственной практики, возможные места для скотоводческой или кочевой деятельности или специализированные ритуальные центры. Результаты съемки в диапазоне SWIR можно также объединять с другими наборами данных, включая данные раскопок, археологической геофизики или топографического картирования высокого разрешения, чтобы лучше понять характер древних памятников.
Сегодня археологи сталкиваются с беспрецедентной проблемой, поскольку мы стремимся документировать бесчисленные археологические памятники, которые находятся под огромной угрозой из-за интенсификации использования сельскохозяйственных земель 59–61], изменения климата [62,63], а также разграбления или других форм преднамеренного разрушения памятников [64–66]. Скорость и масштабы, с которыми теряются археологические объекты, требуют, чтобы мы разрабатывали новые инструменты и методы для более быстрого обнаружения и документирования мест и объектов, как для сохранения свидетельств прошлого, так и для поддержки местных заинтересованных сообществ и специалистов по управлению наследием, которым поручено сохранение и защита археологических объектов. SWIR-визуализация помогает решать эти проблемы, предлагая новый мощный инструмент для картирования археологических объектов таким образом, который никогда ранее не был возможен, облегчая обнаружение и документирование поверхностных археологических объектов быстро, на больших территориях, неразрушающим образом и при умеренных затратах.
Вклад автора: Концептуализация, методология, анализ, исследование, написание и визуализация JC и CF; Администрирование проекта и получение финансирования, JC Все авторы прочитали и согласились с опубликованной версией рукописи.
Финансирование: Этот проект был поддержан грантом Программы космической археологии NASA (19-IDS19-0023). Дополнительная поддержка расходов на обработку данных была предоставлена ​​грантом Программы археометрии Национального научного фонда (№ 1822107). Расходы на приобретение инструментов были предоставлены грантом Института вычислительной науки Neukom.
Заявление о доступности данных: Все данные, полученные в ходе этого проекта, курируются в Лаборатории пространственной археометрии в Дартмутском колледже, США, где данные находятся в открытом доступе. Исследователи, заинтересованные в доступе к данным, должны связаться с соответствующим автором.




Конфликты интересов: У авторов данного исследования нет конфликта интересов.

Ссылки

1. Бэннинг, Э.Б. Археологический Опрос; Springer: Берлин/Гейдельберг, Германия, 2002.
2. Уилкинсон, Т.Дж. Получение данных о поверхности, полевые исследования, теория и практика, теории выборочного контроля. Введение в археологическую науку;Wiley: Лондон, Великобритания, 2001; стр. 529–541.
3. Касана, J. Переосмысление ландшафта: новые подходы к археологическому дистанционному зондированию. Annu. Rev. Anthropol. 2021, 50, 167–186. [CrossRef]
4. Джонсон, М. Х. Феноменологические подходы в ландшафтной археологии. Annu. Rev. Anthropol. 2012, 41, 269–284. [CrossRef]
5. Маркофски, С.; Беван, А. Направленный анализ распределения поверхностных артефактов: пример из дельты Мургаба, Туркменистан. J. Archaeol. Sci. 2012, 39, 428–439. [CrossRef]
6. Уилкинсон, Т. Дж. Археологические ландшафты Ближнего Востока; Издательство Аризонского университета: Тускон, Аризона, США, 2003; ISBN 978-0-8165-2173-9.
7. Косиба, С.; Бауэр, А. Составление карты политического ландшафта: К ГИС-анализу экологических и социальных различий. J. Archaeol.Метод Теории2013, 20, 61–101. [CrossRef]
8. Scholnick, JB; Munson, JL; Macri, MJ Позиционирование власти в многореляционной структуре: анализ социальной сети классической политической риторики майя. В Сетевой анализ в археологии: новые подходы к региональному взаимодействию; Oxford University Press:Оксфорд, Великобритания, 2013; стр. 95–124.
9. Кантнер, Дж. Археология регионов: от дискретного аналитического инструментария к повсеместной пространственной перспективе. J. Archaeol. Res. 2008,
16, 37–81. [CrossRef]
10. Мэттингли, D. Методы получения, записи и количественной оценки. Извлечение смысла из пахотных почвенных комплексов;Археология средиземноморских ландшафтов; Оксбоу: Оксфорд, Великобритания, 2000; Том 5.
11. Энджел, Ю.; Тернер, Д.; Паркс, С.; Мальбето, Ю.; Люсьер, А.; МакКейб, М. Автоматизированная георектификация и мозаика изображений на основе БПЛА. Гиперспектральные изображения с датчиков Push-Broom. Remote Sens. 2019, 12, 34. [CrossRef]
12. Аскари, Г.; Прадхан, Б.; Сарфи, М.; Наземнежад, Ф. Преобразование матрицы соотношений полос (BRMT): подход к картированию осадочной литологии с использованием спутникового датчика ASTER. Датчики 2018, 18, 3213. [CrossRef] [PubMed]
13. Теста, Ф.; Виллануева, К.; Кук, Д.; Чжан, Л.-Дж. Картографирование литологических и гидротермальных изменений эпитермальных, порфировых иРайонов турмалиновой брекчии в аргентинских Андах с использованием изображений ASTER. Remote Sens. 2018, 10, 203. [CrossRef]
14. Хьюсон, Р.; Робсон, Д.; Карлтон, А.; Гилмор, П. Геологическое применение дистанционного зондирования ASTER в условиях редкого обнажения породРельефа, Центральный Новый Южный Уэльс, Австралия. Cogent Geosci. 2017, 3, 1319259. [CrossRef]
15. Пур, А.Б.; Хашим, М.; Хонг, Дж.К. Применение мультиспектральных спутниковых данных для геологического картирования в условиях Антарктики.
Международная арх. фотограм. дистанционная сенсорная космическая информатика2016, XLII-4/W1, 77–81. [CrossRef]
16. Кэлвин, В. М.; Литтлфилд, Э. Ф.; Кратт, К. Дистанционное зондирование геотермальных минералов для разведки ресурсов в Неваде.
Геотермия2015, 53, 517–526. [CrossRef]
17. Круз, Ф.; Бо, В.; Перри, С. Проверка коротковолновых инфракрасных диапазонов спутниковой съемки Земли DigitalGlobe WorldView-3 для Картографирования минералов. J. Appl. Remote Sens. 2015, 9, 096044. [CrossRef]
18. Гомес, C.; Вискарра Россель, RA; МакБратни, AB Прогнозирование органического углерода в почве с помощью гиперспектрального дистанционного зондирования и полевой видимой и ближней инфракрасной спектроскопии: австралийское исследование. Geoderma 2008, 146, 403–411. [CrossRef]
19. Уоттс, DR; Харрис, NBW Картографирование гранита и гнейса в куполах вдоль антиформы Северных Гималаев с помощью полосы ASTER SWIRКоэффициенты. Бюллетень GSA. 2005, 117, 879–886. [CrossRef]
20. Кудахи, TJ; Хьюсон, Р.; Хантингтон, Дж. Ф.; Куигли, МА; Барри, П. С. Производительность спутниковой гиперспектральной системы визуализацииVNIR-SWIR Hyperion для картирования минералов на горе Фиттон, Южная Австралия. В трудах Международного симпозиума IEEE 2001 по геонаукам и дистанционному зондированию (каталожный номер 01CH37217), Сидней, Новый Южный Уэльс, Австралия, 9–13 июля 2001 г.; Том1, стр. 314–316. [CrossRef]
21. Мензе, Б.; Ур, Дж. Картографирование моделей долгосрочного заселения Северной Месопотамии в крупном масштабе. Труды Национальной академии наук США.
2012, 109, E778–E787. [CrossRef]
22. Калайчи, Т.; Ласапонара, Р.; Уэйнрайт, Дж.; Мазини, Н. Мультиспектральный контраст археологических объектов: количественная Оценка. Remote Sens. 2019, 11, 913. [CrossRef]
23. Бауэр, А. Влияние землепользования в среднем и позднем голоцене на геоморфологию остаточных холмов: дистанционное зондирование и археологические исследования. Оценка антропогенной эрозии почвы в Центральной Карнатаке, Южная Индия. Голоцен 2013, 24, 3–14. [CrossRef]
24. Вининг, Б. Реконструкция местных сетей снабжения ресурсами в Серро-Бауль, Перу, с использованием мультиспектрального спутника ASTER
Изображения и геопространственное моделирование. J. Archaeol. Sci. Rep. 2015, 2, 492–506. [CrossRef]
25. Касана, Дж.; Ферверда, К. Археологическая разведка с использованием спутниковых снимков WorldView-3 в коротковолновом инфракрасном диапазоне (SWIR): случай Исследования Плодородного полумесяца. Археол. Проспект. 2023, 30, 327–340. [CrossRef]
26. Дэвис, Д. Применимость изображений в коротковолновом инфракрасном диапазоне (SWIR) для классификации археологических ландшафтов на Рапа-Нуи(Остров Пасхи), Чили. Alpenglow 2017, 3, 3. [CrossRef]
27. Роулендс, А.; Саррис, А. Обнаружение открытых и подповерхностных археологических останков с использованием многосенсорного дистанционного зондирования.
Журнал археол. наук.2007, 34, 795–803. [CrossRef]


28. Чаллис, К.; Кинси, М.; Ховард, А.Дж. Воздушное дистанционное зондирование геоархеологии дна долины с использованием Daedalus ATM и CASI.
Археол. Проспект.2009, 16, 17–33. [CrossRef]
29. Окьяй, У.; Хан, С.; Лакшмиканта, М.Р.; Сармьенто, С. Наземный гиперспектральный анализ изображений нижнего течения Миссисипи(Осагские) скалы формации Ридс-Спринг на юго-западе Миссури. Remote Sens. 2016, 8, 1018. [CrossRef]
30. Matney, T.; Barrett, LR; Dawadi, MB; Maki, D.; Maxton, C.; Perry, DS; Roper, DC; Somers, L.; Whitman, LG In Situ мелководная подповерхностная отражательная спектроскопия археологических почв и объектов: исследование двух поселений коренных американцев в Канзасе. J. Archaeol. Sci. 2014, 43, 315–324. [CrossRef]
31. Хасслер, Э.Р.; Суихарт, Г.Х.; Дай, Д.Х.; Ли, И.С. Неразрушающее исследование происхождения кремня с использованием инфракрасной отражательной микроспектроскопииtroscopic. J. Archaeol. Sci. 2013, 40, 2001–2006. [CrossRef]
32. Пэриш, Р. Применение спектроскопии видимого/ближнего инфракрасного отражения (VNIR) к кремню: пример из ДувраКарьеры, Теннесси. Геоархеология 2011, 26, 420–439. [CrossRef]
33. Фишел, Р. Л.; Виссеман, С. У.; Хьюз, Р. Э.; Эмерсон, Т. Э. Поиск артефактов из красного трубчатого камня в деревнях племени онеота в Малой АзииДолина сиу северо-западной Айовы. Midcont. J. Archaeol. 2010, 35, 167–198. [CrossRef]
34. Кампана, С. Дроны в археологии. Современное состояние и перспективы будущего. Archaeol. Prospect. 2017, 24, 275–296. [CrossRef]
35. Оренго, штат Ха; Гарсиа-Молсоса, А. О дивный новый мир для археологических исследований:Автоматизированное обнаружение глиняных черепков на основе машинного обучения с использованием изображений с дронов высокого разрешения. J. Archaeol. Sci. 2019, 112, 105013. [CrossRef]
36. Olson, KG; Rouse, LM Руководство для начинающих по мезомасштабной съемке с использованием систем Quadrotor-UAV. Adv. Archaeol. Pract. 2018, 6,357–371. [CrossRef]
37. Херрманн, Дж.; Глиссманн, Б.; Сконцо, П.; Пфальцнер, П. Съемка с помощью беспилотных летательных аппаратов (БПЛА) с использованием коммерческих приборов:Исследование случая из археологической службы Восточного Хабура, Ирак. J. Field Archaeol. 2018, 43, 269–283. [CrossRef]
38. Матерацци, Ф.; Пацифичи, М. Археологическое обнаружение следов на полях с помощью мультиспектрального дистанционного зондирования с помощью дронов и индексов растительности: новый подход, проверенный на итальянском доримском городе Вейи. J. Archaeol. Sci. Rep. 2022, 41, 103235. [CrossRef]
39. Casana, J.; Kantner, J.; Wiewel, A.; Cothren, J. Археологическая воздушная термография: исследование на примере эпохи Чако Blue JСообщество, Нью-Мексико. J. Archaeol. Sci. 2014, 45, 207–219. [CrossRef]
40. Касана, Дж.; Вивел, А.; Кул, А.; Хилл, А.С.; Фишер, К.Д.; Ложье, Э.Дж. Археологическая аэротермография в теории и практике.
Adv. Archaeol. Pract.2017, 5, 310–327. [CrossRef]
41. Casana, J.; Laugier, EJ; Hill, AC; Reese, KM; Ferwerda, C.; McCoy, MD; Ladefoged, T. Исследование археологических ландшафтов с использованием лидара, полученного с помощью дронов: примеры из Гавайев, Колорадо и Нью-Гемпшира, США. J. ​​Archaeol. Sci. Rep.2021, 39, 103133. [CrossRef]
42. Хилл, А.; Ложье, Э.; Касана, Дж. Археологическое дистанционное зондирование с использованием многовременных тепловых и ближних инфракрасных (БИК) изображений, полученных с помощью дронов: пример из деревни Энфилд Шейкер, Нью-Гемпшир. Remote Sens. 2020, 12, 690. [CrossRef]
43. ВанВалкенбург, П.; Кушман, К.С.; Баттерс, Л.Дж.С.; Вега, К.Р.; Робертс, К.Б.; Кеплер, К.; Келлнер, Дж. Лазеры без потерянных городов: Использование беспилотного лидара для съемки архитектурной сложности в Куэлапе, Амазонас, Перу. J. Field Archaeol. 2020, 45, S75–S88. [CrossRef]
44. Маклистер, М.; Касана, Дж.; Шурр, М.; Хилл, А.; Уиллер, Дж. Обнаружение особенностей доисторического ландшафта с использованием тепловизионной, мультиспектральной,и анализ исторических изображений в Midewin National Tallgrass Prairie, Иллинойс. J. Archaeol. Sci. Rep. 2018, 21, 450–459. [CrossRef]
45. Лист данных бортовых систем Resonon 2024. Доступно онлайн:https://resonon.com/content/airborne-remote-system-sp/ Resonon---Airborne-Remote-Sensing-Hyperspectral-Systems.pdf (дата обращения: 15 февраля 2024 г.).
46. Свонсон, Р. Отношение сигнал/шум (SNR) для резонансных камер. Гиперспектральная съемка. 2023. Доступно онлайн:https://resonon.com/blog-snr-in-hyperspectral-cameras (дата обращения: 1 марта 2024 г.).
47. Руководство пользователя Resonon Airborne, выпуск 7.11 2024 г. Доступно онлайн:https://docs.resonon.com/airborne/AirborneUserManual.pdf (дата обращения: 1 марта 2024 г.).
48. UgCS Руководство по программному обеспечению UgCS. Доступно онлайн:https://manuals-ugcs.sphengineering.com/ (дата обращения: 1 марта 2024 г.).
49. Савицкий, А.; Голей, М. Дж. Э. Сглаживание и дифференциация данных с помощью упрощенных процедур наименьших квадратов. Аналитическая химия. 1964, 36,1627–1639. [CrossRef]
50. Хруска, Р.; Митчелл, Дж.; Андерсон, М.; Гленн, Н. Радиометрический и геометрический анализ гиперспектральных изображений, полученных с Беспилотного летательного аппарата. Remote Sens. J. 2012, 4, 2736–2752. [CrossRef]
51. Туиа, Д.; Вольпи, М.; Копа, Л.; Каневски, М.; Муньос-Мари, Дж. Обзор алгоритмов активного обучения для контролируемого дистанционного обучения. Классификация изображений зондирования. IEEE J. Sel. Top. Обработка сигналов. 2011, 5, 606–617. [CrossRef]

52. Агилар, МА; Хименес-Лао, Р.; Агилар, Ф. Оценка картографирования теплиц на основе объектов с использованием WorldView-3 VNIR и


53. SWIR Данных: пример из Альмерии (Испания). Remote Sens. 2021, 13, 2133. [CrossRef]
54. Чэнь, С.; Чжу, Г.; Лю, М. Классификация сцен изображений дистанционного зондирования с самообучением на основе частично немаркированных
наборах данных. Remote Sens. 2022, 14, 5838. [CrossRef]
55. Эрненвайн, Э.Г. Методы геофизической съемки; Wiley: Хобокен, Нью-Джерси, США, 2023; ISBN 978-1-119-59204-4.
56. Кахигас, Р.; Куэйд, Дж.; Риттенур, Т. Мультитехническое датирование земляных ирригационных каналов на участке Ла Плайя, Сонора, Мексика.
Геоархеология2020, 35, 834–855. [CrossRef]
57. Бак, П.Е.; Сэбол, Д.Э.; Джиллеспи, А.Р. Обнаружение субпиксельных артефактов с помощью дистанционного зондирования. J. Archaeol. Sci. 2003, 30, 973–989. [CrossRef]


58. Acosta, ICC; Khodadadzadeh, M.; Tusa, L.; Ghamisi, P.; Gloaguen, R. Структура машинного обучения для картирования минералов, полученных с помощью буровых кернов, с использованием слияния гиперспектральных и минералогических данных высокого разрешения. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens.2019, 12, 4829–4842. [CrossRef]
59. Гиперспектральные продукты Headwall Photonics. Доступно онлайн:https://headwallphotonics.com/products/ (дата обращения 13Апрель 2024 г.).
60. Фогт, Р.; Кречмер, И. Археология и сельское хозяйство: конфликты и решения. EG Quat. Sci. J. 2019, 68, 47–51. [CrossRef]
61. Рик, TC; Сэндвайс, DH Археология, климат и глобальные изменения в эпоху людей. Proc. Natl. Acad. Sci. USA 2020, 117,8250–8253. [CrossRef]
62. Касана, Дж. Глобальные археологические изыскания с использованием спутниковых снимков CORONA: автоматизированные, краудсорсинговые и экспертныеподходы Led. J. Field Archaeol. 2020, 45, S89–S100. [CrossRef]
63. Андерсон, Д.Г.; Биссетт, Т.Г.; Йерка, С.Дж.; Уэллс, Дж.Дж.; Канса, Э.К.; Канса, С.В.; Майерс, К.Н.; Демут, Р.К.; Уайт, Д.А. Повышение уровня моря и разрушение археологических памятников: пример юго-востока США с использованием DINAA (цифровой индекс Североамериканской археологии). PLoS ONE 2017, 12, e0188142. [CrossRef]
64. Хоуи, М. Использование моделей повышения уровня моря, полученных с помощью дистанционного зондирования, для оценки уязвимости культурного наследия: пример из практикииз северо-западной части Атлантического океана. Устойчивость 2020, 12, 9429. [CrossRef]
65. Касана, Дж.; Ложье, Э.Дж. Мониторинг ущерба археологическим объектам в ходе гражданской войны в Сирии на основе спутниковых снимков. PLoS ONE
2017, 12, e0188589. [CrossRef] [PubMed]
66. Кампана, С.; Сордини, М.; Берлиоз, С.; Видале, М.; Аль-Лайла, Р.; Аль-Арадж, А.; Бьянки, А. Дистанционное зондирование и наземная съемка. Археологический ущерб и разрушения в Ниневии во время оккупации ИГИЛ. Antiquity 2022, 96, 436–454. [CrossRef]
67. Баркер, А.; Лазрус, П. К. Вся королевская конница: очерки о влиянии грабежей и незаконной торговли древностями на наши знания о прошлом; University Press of Colorado: Боулдер, Колорадо, США, 2012; ISBN 978-1-64642-511-2.

Отказ от ответственности/Примечание издателя: Заявления, мнения и данные, содержащиеся во всех публикациях, принадлежат исключительно отдельным авторам и соавторам, а не MDPI и/или редакторам. MDPI и/или редакторы отказываются от ответственности за любой вред, причиненный людям или имуществу в результате использования любых идей, методов, инструкций или продуктов, упомянутых в содержании.