AI+遙感考古：時空智能驅(qū)動考古學(xué)研究的范式變革

AI和遙感技術(shù)協(xié)同創(chuàng)新，使非接觸式探測與智能解譯成為考古學(xué)的“第三只眼”，重構(gòu)了遺址發(fā)現(xiàn)、保護與重建的技術(shù)方法。

時空智能學(xué)作為利用“通信-導(dǎo)航-遙感”智能傳感器、云計算和人工智能方法對自然與人類活動進行感知、認知并支持智能決策的交叉學(xué)科，實現(xiàn)了對“何時、何地、何種目標、有何種變化及其機理”的自動化響應(yīng)，可為考古學(xué)研究開辟新的技術(shù)路徑[1]。遙感技術(shù)憑借其對大范圍區(qū)域的快速探測和穿透地表的能力，為考古學(xué)提供了豐富的空間信息獲取手段，助力研究人員在復(fù)雜地形中發(fā)現(xiàn)隱藏的古代遺址；人工智能（AI）技術(shù)則顯著提升了海量遙感數(shù)據(jù)的處理效率，通過自動識別遺址特征、分類遺跡類型，AI不僅突破了傳統(tǒng)田野挖掘的局限，更推動考古研究模式從“局部發(fā)掘、經(jīng)驗推斷”向“全域透視、數(shù)據(jù)驅(qū)動”的定量分析躍遷。

， AI⁺ 遙感考古”是考古學(xué)與空間信息科學(xué)、計算機科學(xué)交叉融合的前沿領(lǐng)域，標志著現(xiàn)代考古學(xué)一次重要的技術(shù)變革。廣義上，其研究對象涵蓋多類平臺（衛(wèi)星、航空、地面）多型傳感器（光學(xué)、雷達、激光、高光譜）空間大數(shù)據(jù)及其智能解譯；狹義上則聚焦于基于AI算法的遙感影像自動分析與遺跡識別?！?AI⁺ 遙感考古”源于航空攝影與早期數(shù)字圖像處理的結(jié)合，并在近年來得到了快速發(fā)展，推動了考古學(xué)研究進入了數(shù)字化、智能化的新時代。

遙感考古技術(shù)的發(fā)展歷程

技術(shù)起源：航空攝影的啟蒙（1900年代至1950年代）

1906年，英國軍官在熱氣球上拍攝史前巨石陣，首次將“天空之眼”引入考古學(xué)。1920年代，英國學(xué)者克勞福德（O.G.S.Crawford）提出通過“陰影、土壤、植被”三大標志識別航片中的遺跡，在農(nóng)田中成功發(fā)現(xiàn)了羅馬古城遺址，奠定了航空攝影考古的理論基礎(chǔ)。二戰(zhàn)期間，彩色膠片、紅外遙感及雷達技術(shù)的突破，推動航空攝影技術(shù)從軍事領(lǐng)域轉(zhuǎn)向考古應(yīng)用，西歐國家借此解決戰(zhàn)后重建與文物保護的矛盾，大幅降低了勘探成本。

衛(wèi)星革命：從地球觀測到全球透視（1960年代至1990年代）

1957年蘇聯(lián)首顆人造衛(wèi)星升空，1972年美國地球資源衛(wèi)星（Landsat）開啟衛(wèi)星遙感考古新紀元。多光譜、高分辨率衛(wèi)星影像的普及，讓考古學(xué)家得以穿透植被和沙土，揭示地表下隱藏的文明密碼。例如，我國學(xué)者通過衛(wèi)星影像發(fā)現(xiàn)阿拉善高原干沙覆蓋下的隋、明長城與古羅馬時期南線軍事防御與農(nóng)業(yè)灌溉系統(tǒng)。激光雷達（LiDAR）技術(shù)的應(yīng)用更是革命性突破，其穿透雨林冠層的能力，讓中美洲6萬座瑪雅建筑重現(xiàn)于世。機載SAR數(shù)據(jù)則能發(fā)現(xiàn)東撒哈拉沙漠沙下古河道。

技術(shù)融合：AI技術(shù)驅(qū)動遙感考古（2000年代至今）

進入21世紀以來，遙感考古技術(shù)經(jīng)歷了從多平臺數(shù)據(jù)融合到智能解譯的跨越式發(fā)展。隨著高分辨率遙感衛(wèi)星和輕量化無人機的普及，多光譜、高光譜、LiDAR、SAR等技術(shù)形成“天-空-地”立體探測網(wǎng)絡(luò)。

與此同時，AI技術(shù)深度融入考古流程：卷積神經(jīng)網(wǎng)絡(luò)（CNN）和深度學(xué)習模型實現(xiàn)遺址自動識別，荷蘭團隊開發(fā)的算法在衛(wèi)星影像中快速定位植被覆蓋下的遺跡；我國學(xué)者結(jié)合高光譜與AI精準定位敦煌莫高窟壁畫病害周期，并為彩繪文物修復(fù)提供分子級依據(jù)[2]。中國科學(xué)院研究團隊通過多源遙感數(shù)據(jù)與地球物理勘探協(xié)同，破解漢代西域都護府治所位置謎題，確認奎玉克協(xié)海爾古城形制與漢代規(guī)制吻合。當前，遙感考古已從單一遺址發(fā)現(xiàn)轉(zhuǎn)向文化遺產(chǎn)動態(tài)監(jiān)測與全球協(xié)作，如構(gòu)建吳哥窟空間數(shù)據(jù)庫追蹤地表形變，參與聯(lián)合國教科文組織“開放式行動”監(jiān)測世界遺產(chǎn)，標志著考古學(xué)邁向定量化、智能化的新階段。

AI與遙感技術(shù)在考古研究中的應(yīng)用

AI強大的信息處理和預(yù)測能力在考古學(xué)中展現(xiàn)出廣闊的應(yīng)用前景?？脊艑W(xué)家如今能夠更充分地利用海量考古數(shù)據(jù)，借助AI技術(shù)制定遺址保護策略，并在復(fù)雜的文化景觀中選擇最佳發(fā)掘點位。多項研究表明，AI可幫助考古團隊在有限的考古區(qū)域內(nèi)規(guī)避高成本或耗時的研究及發(fā)掘流程。例如，深度學(xué)習應(yīng)用于無人機影像分析，能夠革命性地提升田野考古效率，尤其在研究時間緊迫的情況下具有經(jīng)濟高效的優(yōu)勢，在理想條件下AI可快速產(chǎn)出高精度的分析結(jié)果[3]。未來，計算機視覺與機器學(xué)習的進步有望從根本上增強考古研究處理大范圍、大規(guī)模數(shù)據(jù)的能力，減少對人力的依賴。2021年，有學(xué)者首次提出一種改進的AI算法，通過結(jié)合LiDAR與多光譜衛(wèi)星數(shù)據(jù)，實現(xiàn)了考古墓葬的大規(guī)模自動探測[4，該成果為人工遺跡識別提供了新方案。

考古學(xué)應(yīng)用中的AI技術(shù)

當前考古領(lǐng)域主要將機器學(xué)習與深度學(xué)習用于文物分類與識別，而基于深度學(xué)習的考古遺址檢測仍處于發(fā)展階段[5]?？脊艑W(xué)應(yīng)用中的AI的主要構(gòu)成要素[6]：

機器學(xué)習（machinelearning，ML）通過不斷學(xué)習，機器能夠在沒有明確編程的情況下，自動提高其預(yù)測精度。

深度學(xué)習（deeplearning，DL）作為機器學(xué)習的一個子集，深度學(xué)習通過人工神經(jīng)網(wǎng)絡(luò)處理數(shù)據(jù)，具備強大的數(shù)據(jù)表示學(xué)習能力。

神經(jīng)網(wǎng)絡(luò)（neuralnetwork，NN）神經(jīng)網(wǎng)絡(luò)模擬人

腦工作原理，通過一系列算法識別數(shù)據(jù)中潛在的關(guān)系。

自然語言處理（natural language processing，NLP）是計算機科學(xué)和人工智能的一個分支，涉及人類語言和語音的識別、解釋和生成。

計算機視覺（computervision，CV）機器學(xué)習和模式識別的一個子集，使計算機能夠基于圖表、視頻等來實現(xiàn)解譯和理解。

無人機影像與機器學(xué)習在陶器碎片檢測中的應(yīng)用

研究人員利用高分辨率無人機影像進行機器學(xué)習自動化陶片檢測，結(jié)果表明，若在適當?shù)奶镆皸l件下應(yīng)用該技術(shù)，能夠生成準確的陶器碎片分布圖，為考古調(diào)查提供新的潛力[3]。工作流程結(jié)合了無人機攝影測量技術(shù)和機器學(xué)習算法，自動記錄考古材料的地表分布情況。與傳統(tǒng)的步行調(diào)查相比，該方法能夠提供更快速的結(jié)果和更高的分析能力。

基于CNN的歷史衛(wèi)星影像水渠井自動檢測

研究人員基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習模型，利用CORONA衛(wèi)星影像進行水渠井自動檢測[7]。這是首次嘗試在歷史衛(wèi)星影像上應(yīng)用自動化檢測技術(shù)進行水渠井的自動識別。該研究涵蓋了數(shù)據(jù)收集、數(shù)據(jù)預(yù)處理、模型構(gòu)建以及模型評估等過程。在模型訓(xùn)練中，包含了低密度和高密度水渠井特征的影像。

深度學(xué)習語義分割技術(shù)在瑪雅考古中的應(yīng)用

研究人員將語義分割技術(shù)應(yīng)用于瑪雅考古的機載LiDAR數(shù)據(jù)分析，研究構(gòu)建并比較了U-Net和MaskR-CNN兩種基于深度學(xué)習的語義分割模型[8]。這兩種分割模型被用于完成兩個任務(wù)：識別古代建筑活動區(qū)域和識別古代瑪雅建筑的遺跡。結(jié)果表明，基于U-Net的模型在兩個任務(wù)中表現(xiàn)更好。

深度學(xué)習與傳統(tǒng)機器學(xué)習結(jié)合的考古特征檢測

2021年的一項研究結(jié)果表明，深度學(xué)習和自動化不僅可以用于檢測新的考古特征，還可以系統(tǒng)地估算某些考古建筑的空間范圍。具體而言，通過LiDAR、SAR、多光譜等多種數(shù)據(jù)源以及新的分析方法，研究人員成功識別出南卡羅來納州超過100個現(xiàn)存的貝殼環(huán)[9]。

無人機LiDAR與半自動特征檢測在高地城市考古中的應(yīng)用

基于超高分辨率無人機LiDAR技術(shù)，結(jié)合高精度的三維表面建模與半自動化的特征檢測方法，研究人員在中亞烏茲別克斯坦高海拔地區(qū)（2000～2200米）成功識別并繪制了Tashbulak和Tugunbulak兩處大型中世紀城市遺址的城墻、建筑群、道路等結(jié)構(gòu)特征，展示了高原城市的城市規(guī)劃與建筑布局[10]。該研究表明，超高分辨率無人機LiDAR技術(shù)在高海拔、地表侵蝕嚴重的環(huán)境中具有重要的應(yīng)用價值，有助于揭示隱藏在沉積物和植被下的復(fù)雜考古遺址，推動了高海拔地區(qū)考古學(xué)研究的新進展。

遙感考古的優(yōu)勢

遙感考古憑借其獨特的“天-空-地”立體化技術(shù)體系，突破了傳統(tǒng)田野考古的局限，成為現(xiàn)代考古學(xué)中不可或缺的“第三只眼”。其核心優(yōu)勢體現(xiàn)在以下幾個方面。

全域覆蓋與高效探測

遙感技術(shù)通過衛(wèi)星、航空器、無人機等多平臺協(xié)同，可在短時間內(nèi)對大范圍區(qū)域進行全方位掃描。其覆蓋能力不僅跨越地理屏障（如森林、沙漠），還能穿透地表淺層，LiDAR可穿透雨林冠層還原瑪雅建筑群，合成孔徑雷達（SAR）則能探測地下數(shù)米的古羅馬驛道。這種高效率使得傳統(tǒng)需數(shù)月的工作壓縮至數(shù)天完成，成本僅為傳統(tǒng)方法的 10% 左右。

多源數(shù)據(jù)與精準解譯

遙感技術(shù)融合了多光譜、高光譜、雷達等多種類型傳感器，從可見光到微波波段的全譜段信息為考古提供了“透視”能力。例如，高光譜成像可識別敦煌莫高窟壁畫中肉眼不可見的病害，微波遙感則能監(jiān)測洛陽古城地表沉降的動態(tài)變化。數(shù)據(jù)的高分辨率（如亞米級衛(wèi)星影像）和長時間序列特性，支持對遺址環(huán)境的精細重建，為揭示絲綢之路沿線綠洲興衰提供了科學(xué)依據(jù)。

無損探測與動態(tài)監(jiān)測

相較于傳統(tǒng)挖掘，遙感技術(shù)通過非接觸式探測最大程度減少對文物的破壞。在新疆米蘭古屯田灌溉系統(tǒng)的發(fā)現(xiàn)中，科研團隊通過遙感影像分析植被指數(shù)，結(jié)合文獻考證鎖定疑似區(qū)域，再輔以地面驗證，避免了大規(guī)模開挖。同時，遙感技術(shù)可對遺址進行持續(xù)監(jiān)測，如研究人員通過衛(wèi)星數(shù)據(jù)構(gòu)建吳哥窟遺址空間數(shù)據(jù)庫，以實時追蹤森林覆蓋率變化、水系變化和地表形變，預(yù)警潛在風險。

多維重建與數(shù)字活化

結(jié)合三維激光掃描和虛擬現(xiàn)實技術(shù)，遙感考古實現(xiàn)了遺址的數(shù)字化復(fù)原與展示。例如，研究人員通過激光雷達建立龍門石窟毫米級三維模型，精準預(yù)測其風化侵蝕趨勢并指導(dǎo)修復(fù)；東漢函谷關(guān)、京杭大運河等大型遺產(chǎn)的虛擬重建，不僅為學(xué)術(shù)研究提供數(shù)據(jù)支撐，還通過數(shù)字展覽讓公眾“身臨其境”感受歷史。此外，遙感數(shù)據(jù)與AI結(jié)合，構(gòu)建了全球首個遺跡波譜庫和考古綜合數(shù)據(jù)庫，推動文化遺產(chǎn)管理的智能化轉(zhuǎn)型。

跨學(xué)科融合與全球協(xié)作

遙感考古并非孤立技術(shù)，而是與地理信息系統(tǒng)（GIS）地球物理勘探、環(huán)境科學(xué)等深度交叉。例如，在破解漢代西域都護府治所位置時，遙感數(shù)據(jù)與歷史文獻、地球物理勘探（探地雷達）協(xié)同，最終確認奎玉克協(xié)海爾古城的形制與漢代規(guī)制吻合。國際合作亦成果顯著，中國主導(dǎo)的跨國項目利用SAR技術(shù)監(jiān)測羅馬古城沉降，并與聯(lián)合國教科文組織合作構(gòu)建全球文化遺產(chǎn)監(jiān)測網(wǎng)絡(luò)。

AI+ 遙感考古的挑戰(zhàn)

AI與遙感考古的深度融合正在重塑傳統(tǒng)考古研究范式，其技術(shù)突破與行業(yè)潛力引人注目，但同時也面臨多維度的挑戰(zhàn)。

數(shù)據(jù)質(zhì)量與處理難題

遙感影像的質(zhì)量易受大氣條件、傳感器性能等因素干擾，導(dǎo)致噪聲和幾何畸變，影響獲取信息的準確性。多源數(shù)據(jù)的融合面臨技術(shù)瓶頸，時空分辨率的差異、異構(gòu)數(shù)據(jù)的互補性分析等尚未有效解決。遙感解譯高度依賴專業(yè)人員的考古知識與經(jīng)驗，雖然AI自動解譯提升了效率，但在復(fù)雜地貌或遺址特征模糊的場景中仍存在顯著的誤判和漏判風險，自動化流程尚未完全取代人機協(xié)同的精細化判讀。

算法與模型局限性

當前AI模型的性能嚴重受限于考古數(shù)據(jù)的稀缺性與非均衡性，尤其對罕見遺址類型或文化特征樣本的訓(xùn)練不足，導(dǎo)致模型泛化能力弱、識別精度波動大。復(fù)雜環(huán)境因素對模型干擾顯著，例如茂密植被覆蓋易掩蓋遺址光譜信號，現(xiàn)代建筑或農(nóng)業(yè)活動產(chǎn)生的背景干擾會混淆目標特征識別。盡管通過生成對抗網(wǎng)絡(luò)（GAN）等數(shù)據(jù)增強技術(shù)可部分提升樣本多樣性，但構(gòu)建適應(yīng)多變自然環(huán)境、具備強抗干擾能力的深度學(xué)習模型仍是亟待突破的核心技術(shù)難題。

跨學(xué)科協(xié)作與倫理法律的雙重困境

一方面，遙感技術(shù)與考古學(xué)的深度協(xié)同面臨跨領(lǐng)域知識體系的隔閡，考古學(xué)家與AI研發(fā)人員亟須建立統(tǒng)一的數(shù)據(jù)標注標準、共享協(xié)議與協(xié)作框架以彌合學(xué)科鴻溝。另一方面，高精度遙感探測暴露了文化遺產(chǎn)保護的潛在風險：未發(fā)掘遺址的地理位置信息一旦泄露可能誘發(fā)盜掘行為，跨境數(shù)據(jù)共享則易引發(fā)文化遺產(chǎn)主權(quán)歸屬爭議，數(shù)據(jù)開放需求與遺址保護、隱私權(quán)及文化資源主權(quán)之間需尋求復(fù)雜平衡，這對國際合作的信任機制與動態(tài)保護制度提出了更高要求。

結(jié)語

4 AI⁺ 遙感考古”不僅為考古學(xué)提供了顛覆性的技術(shù)范式，更推動了人類文明認知的深度重構(gòu)。從遺址全域透視到文化遺產(chǎn)動態(tài)監(jiān)測，從智能解譯突破到歷史場景數(shù)字重構(gòu)，時空智能信息技術(shù)的發(fā)展正系統(tǒng)性解鎖文明演化的密碼。展望未來，通過跨學(xué)科協(xié)作深化、算法模型革新、倫理框架完善以及對全球文明多樣性的協(xié)同守護，“ AI⁺ 遙感考古”將發(fā)展為一個更精準、更包容的學(xué)科體系。在這一進程中，技術(shù)理性與人文精神的“共生進化”，不僅是我們探尋過去的最佳路徑，其本身亦成為數(shù)字文明時代重建人類記憶的史詩性實踐。

[1]王瑜婷，白潔，李德仁.時空智能助力實現(xiàn)可持續(xù)發(fā)展目標．中 國測繪，2025，（05）：33-35.

[2] Sun M， Zhang D， Wang Z， et al. What’s wrong with the murals at the Mogao Grottoes： A near-infrared hyperspectral imaging method. Scientific Reports， 2015，5（1）：14371.

[3]Orengo H A，Garcia-Molsosa A.A brave new world for archaeological survey：Automated machine learning-based potsherd detection using high-resolution drone imagery. Journal of Archaeological Science，2019，112：105013.

[4]Berganzo-Besga I， Orengo HA，Lumbreras F， et al. Hybrid MSRMbased deep learning and multitemporal sentinel 2-based machine learningalgorithm detectsnear 1Ok archaeological tumuli in NorthWestern Iberia.Remote Sensing，2021，13（20）： 4181.

[5]Jamil AH， YakubF，AzizanA，etal.Areview on deep learning application for detection of archaeological structures. Journal of Advanced Research in Applied Sciences and Engineering Technology，2022，26：7-14.

[6]Argyrou A，Agapiou A.A review of artificial intelligence and remote sensing for archaeological research.Remote Sensing，2022， 14（23）： 6000.

[7]Soroush M，Mehrtash A，Khazraee E，et al.Deep learning in archaeological remote sensing：Automated qanat detection in the Kurdistan region of Iraq.Remote Sensing，2020，12（3）：500.

[8]Bundzel M，Jascur M，KovacM， etal. Semantic segmentation of airborne lidar data in maya archaeology. Remote Sensing， 2020， 12（22）：3685.

[9]Davis D S， Caspari G，Lipo C P， et al. Deep learning reveals extent ofArchaic Native American shell-ring building practices.Journal of Archaeological Science，2021，132：105433.

[10]FrachettiMD，BernerJ，LiuX，etal.Large-scale medieval urbanism traced byUAV-lidarinhighlandCentral Asia.Nature， 2024： 1-7.

[11] Luo L，Wang X， Guo H. Remote sensing archaeology： The next century. The Innovation，2022，3（6）：100335.

關(guān)鍵詞：人工智能遙感技術(shù)考古學(xué)時空智能多源數(shù)據(jù)融合