Treffer: Semantic Segmentation of Archaeological Features on Public Lands: Case Study of Historical Cotton Terraces within the Piedmont National Wildlife Refuge, Georgia, USA.

The logistics, costs, and capacity needed to complete extensive archaeological pedestrian surveys to inventory cultural resources present challenges to public land managers. To address these issues, we developed a workflow combining lidar-derived imagery and deep learning (DL) models tailored for cultural resource management (CRM) programs on public lands. It combines Python scripts that fine-tune models to recognize archaeological features in lidar-derived imagery with denoising QGIS steps that improve the predictions' performance and applicability. We present this workflow through an applied case study focused on detecting historic agricultural terraces in the Piedmont National Wildlife Refuge, Georgia, USA. For this project, we fine-tuned pretrained U-Net models to teach them to recognize agricultural terraces in imagery, identified the parameter settings that led to the highest recall for detecting terraces, and used those settings to train models on incremental dataset sizes, which allowed us to identify the minimum training size necessary to obtain satisfying models. Results present effective models that can detect most terraces even when trained on small datasets. This study provides a robust methodology that requires basic proficiencies in Python coding but expands DL applications in federal CRM by advancing methods in lidar and machine learning for archaeological inventorying, monitoring, and preservation. [ABSTRACT FROM AUTHOR]

La logística, el coste y la capacidad necesarios para completar prospecciones arqueológicas terrestres para inventariar bienes culturales presentan retos para los administradores de fincas públicas. Para abordar estos problemas, hemos desarrollado un flujo de trabajo que combina imágenes derivadas de lidar y modelos de aprendizaje profundo diseñado para programas de gestión de recursos culturales (PGRC) en fincas públicas. Este flujo de trabajo combina "scripts" de Python que afinan los modelos para reconocer características arqueológicas en imágenes obtenidas por lidar con filtros de eliminación de ruido en QGIS que mejoran el rendimiento y la aplicabilidad de las predicciones. Presentamos este flujo de trabajo a través de un estudio de caso centrado en la detección de terrazas agrícolas históricas en el Refugio Nacional de Vida Silvestre Piedmont, Georgia, EE. UU. Para llevarlo a cabo, pasamos algunas semanas geolocalizando terrazas visibles en imágenes derivadas de lidar. Para ajustar los modelos U-Net previamente entrenados y enseñarles a reconocer terrazas agrícolas en las imágenes, probamos distintas combinaciones de parámetros. Identificamos aquellas configuraciones que lograron la mayor precisión en la detección de terrazas y utilizamos esas configuraciones para entrenar modelos en tamaños incrementales de conjuntos de datos. Este proceso nos permitió determinar el tamaño mínimo de entrenamiento necesario para obtener un rendimiento satisfactorio en los modelos. Los resultados presentan modelos muy efectivos que son lo suficientemente sensibles como para detectar la mayoría de las terrazas, incluso cuando están entrenados en conjuntos de datos pequeños. Por lo tanto, este estudio proporciona una metodología robusta que requiere conocimientos básicos de codificación Python, pero amplía las aplicaciones de aprendizaje profundo en PGRC federal mediante el avance de métodos en lidar y aprendizaje automático para el inventariado, monitoreo y preservación de bienes arqueológicos. [ABSTRACT FROM AUTHOR]