LONDON (IT BOLTWISE) – Archäologen nutzen simulierte Trainingsobjekte, um KI-Modelle auch dann zu trainieren, wenn echte Vergleichsbeispiele rar sind. Im Kisatchie National Forest in Louisiana testeten sie Mask-R-CNN auf Lidar-gestützten digitalen Höhenmodellen und erzielten sowohl Treffer als auch viele Falschalarme. Nach Geländechecks mit Bohrungen zeigte sich allerdings: Die erwarteten Merkmale typischer Teerziegel- bzw. Tar-Kiln-Strukturen fehlten. Stattdessen spricht die Lage nahe einem ehemaligen Militärübungsplatz für eine andere Nutzung.
Wenn in der Archäologie die Datenbasis knapp ist, wird ausgerechnet das Fundament moderner KI-Entwicklung zum Engpass: das Training. In einem aktuellen Paper zeigen Forschende, wie sich dieses Problem entschärfen lässt, indem sie statt großer Sammlungen bereits bekannter Fundstellen synthetische Trainingsobjekte erzeugen und diese in reale Lidar-Daten einspeisen. Lidar ist dabei entscheidend, weil es kleine Höhenunterschiede im Gelände erfasst und damit Strukturen sichtbar machen kann, die unter Vegetation verborgen liegen. Im konkreten Fall ging es nicht um allgemeine Mustererkennung, sondern um die Frage, ob ein Modell ungewöhnliche, kreisförmige Anlagen in einem Waldgebiet überhaupt zuverlässig identifizieren kann.
Die Studie konzentrierte sich auf 12 auffällige kreisförmige Strukturen im Kisatchie National Forest in Louisiana. Auf den ersten Blick passten sie in die Nähe historischer Tar-Kilns, also Anlagen, die Teer, Pitch und Harz aus Kiefern gewinnen sollten. Doch die Form wich von bekannten Tar-Kilns im Südosten der USA ab – und genau diese Abweichung machte das Training schwierig: Ein Modell, das auf vorhandenen Tar-Kilns basiert, hätte die Louisiana-Strukturen vermutlich schlechter erkannt. Da es für den gewünschten Strukturtyp nur sehr wenige echte Beispiele gab, planten die Forschenden zwei Strategien für künstliche Trainingsdaten. Beide Ansätze setzten simulierte Kiln-Silhouetten auf digitale Höhenmodelle, die aus Lidar gewonnen wurden, sodass das KI-Modell nicht nur „Bilder“, sondern räumliche Geländeformen lernen sollte.
Technisch kam Mask R-CNN zum Einsatz, ein Verfahren, das Objekte nicht nur klassifiziert, sondern auch segmentiert und damit räumliche Ausdehnungen in Teilbereichen festhält. Die Lidar-Eingaben wurden als geteilte (tiled) Ebenen aufbereitet; für das Training nutzten die Forschenden 80 Prozent der Daten, für Validierung 10 Prozent und für Tests ebenfalls 10 Prozent. Pro Modell trainierten sie 15 Runden, bis die Leistung sich auf einem Plateau einpendelte. Beim ersten künstlichen Datensatz kam das Modell insgesamt auf 183 Vorhersagen; nach automatischem Filtern blieben 142 übrig, von denen es neun der 12 bekannten Ziele fand. Zusätzlich identifizierte es sechs weitere Objekte, die für eine spätere Prüfung interessant sein könnten – womit das Setup zwar nicht „perfekt“, aber bereits nutzbar für die Verengung des Suchraums war.
Der zweite Ansatz verschob die Balance deutlich: Er führte zu 2.032 Vorhersagen, nach Filterung waren noch 709 Kandidaten übrig. Positiv: Das Modell entdeckte alle 12 bekannten Zielstrukturen und zusätzlich 11 weitere Objekte für eine weiterführende Kontrolle. Negativ: Von den verbleibenden Kandidaten waren 686 Falschalarme. Viele davon ließen sich auf Reservoirbereiche, Entwässerungsmerkmale und natürliche Mima-Hügel zurückführen – Formen, die im Gelände ebenfalls wie kleine Vertiefungen oder Aufwerfungen wirken können. Um die Trefferquote zu verbessern, ergänzten die Forschenden zusätzliche Filter und nutzten dabei die Forminformation: Mound-ähnliche Areale ließen sich dem „Hügel“-Eindruck besser zuordnen, während die Zielstrukturen eher eine pitspezifische Geometrie zeigten. Als Vergleich trainierten sie außerdem ein drittes Modell mit echten Tar-Kilns aus South Carolina, änderten dafür jedoch die Elevationsdaten so, dass sie stärker zu den Höhencharakteristika in Louisiana passten; dieses Modell fand 11 der 12 Ziele und sieben weitere Kandidaten.
Spätestens beim Abgleich im Gelände entscheidet sich, wie viel eine automatisierte Detektion wert ist. Deshalb drehten die Forschenden den Fokus von der reinen Bild- bzw. Lidar-Auswertung hin zur Bodenrealität: Sie besuchten 11 der ursprünglichen Zielstrukturen und testeten zwei zusätzlich mit Bohrstöcken (Augern). Dabei fanden sie keine Hinweise auf die erwarteten, teerofen-typischen Indikatoren – insbesondere keine kohlenstoffreichen Ablagerungen, keine verkohlte Kiefernholzsubstanz, keine vergrabenen hölzernen Tar-Rohre und auch keine harten Tonböden, wie sie für Tar-Kilns typisch wären. Auffällig war zudem die Nähe zu einem früheren Militärtrainingsgelände aus dem Zweiten Weltkrieg. In Kombination aus Lage und Form schlussfolgerten die Forschenden, dass die Strukturen eher mit militärischem Training zusammenhängen könnten; ein wartime Trainingshandbuch deutet darauf hin, dass es sich um mögliche Howitzer-Emplacements handeln könnte.
Für Unternehmen und KI-Teams im weiteren Sinn ist der wichtigste Punkt dieser Arbeit nicht „Trefferquote um jeden Preis“, sondern die Art, wie sich der Datenmangel im Training praktisch überbrücken lässt. Simulationen lassen sich in Minuten erzeugen, während die manuelle Kennzeichnung realer Fundstellen – das Erstellen belastbarer Labels – deutlich länger dauert. Die Forschenden schlagen daher vor, solche simulierten KI-Modelle als Vorfilter einzusetzen, bevor zeitintensive Markierungen oder Feldkampagnen starten. Gleichzeitig bleibt klar: Der Automatisierungsgrad ersetzt keine Exkursion. Die Modelle waren zwar gut darin, ungewöhnliche Formen zu markieren, aber die Ergebnisse mussten aufwendig bereinigt werden. Genau diese „Kostenverschiebung“ – weniger Zeit im Feld, mehr gezielte Prüfung der KI-Kandidaten – ist im archäologischen Alltag besonders relevant. Langfristig könnten größere simulierte Datensätze mit Tausenden Objekten die Robustheit steigern und die Zahl der Falschalarme weiter senken. Als Ergebnis konnten die Forschenden im konkreten Fall nicht nur potenzielle Ziele schneller finden, sondern auch die erste Interpretation verworfen und durch eine plausiblere Hypothese ersetzt werden.
Quelle: Peck, K., Gravel-Miguel, C., Snitker, G., & Helmer, M. (2026). Using simulated training data to locate archaeological sites with machine learning. Advances in Archaeological Practice, 14(2), 179–197.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "KI mit simulierten Lidar-Daten findet unbekannte Strukturen in der Archäologie" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "KI mit simulierten Lidar-Daten findet unbekannte Strukturen in der Archäologie" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »KI mit simulierten Lidar-Daten findet unbekannte Strukturen in der Archäologie« bei Google Deutschland suchen, bei Bing oder Google News!