Archäologische Plünderungen mit Laserpräzision in nahezu Echtzeit erkennen
Wenn an archäologischen Stätten illegal gegraben wird – und Artefakte gestohlen werden –, zerstört das nicht nur unwiderruflich den historischen Kontext dieser Stätten und die Informationen, die in ihnen verborgen liegen. Die Bevölkerung vor Ort und ganze Nationen werden auch ihres kulturellen Erbes und ihrer Identität beraubt. Erdbeobachtungsdaten sind nützlich, aber gerade in Gebieten mit dichter Vegetation nur begrenzt anwendbar. Mit luftgestützter LiDAR, also Lasererfassung und Entfernungsmessung, kann die 3D-Topographie mit hoher Genauigkeit aufgezeichnet werden. Sie wird oft in der Archäologie eingesetzt, um Landschaften unter dichter Vegetation zu kartieren. Sie wurde jedoch bisher nicht eingesetzt, um archäologische Plünderungen zu erkennen. Unterstützt über die Marie-Skłodowska-Curie-Maßnahmen (MSCA) wurde im Projekt OPTIMAL erstmals LiDAR eingesetzt, um Plünderungsgruben zu entdecken.
Das Licht der LiDAR dringt durch Lücken im Blatt- und Astwerk
LiDAR ist eine Methode zur Fernerkundung, bei der Entfernungen zum Boden mit Laserimpulsen gemessen werden. Sie ist besonders zur Kartierung von 3D-Gelände mit dichter Vegetation geeignet, weil das Licht durch kleine Lücken in den Baumkronen dringt. Mit den Messungen, die mit einem Flugzeug oder einer Drohne erfasst werden, wird eine detaillierte „Punktwolke“ in 3D erstellt, auf der die Oberflächenmerkmale erkennbar sind. Die Projektleiterin Arianna Traviglia vom Centre for Cultural Heritage Technology (CCHT) am Italienischen Institut für Technologie sagt: „Jeder Punkt in der Punktwolke stellt eine genaue Position im Raum dar, sodass ein dichtes Bild der Landschaft entsteht. Bei den aktuellen Anwendungen von LiDAR in der Archäologie – zur Kartierung von Landschaften – werden die Daten der Punktwolke in ein reguläres Grid umgewandelt, um digitale Höhenmodelle zu erstellen. Dabei kommt es zu Datenverlust.“ In der Archäologie sind Verluste im Detail kein Problem, bei der Erkennung kleiner Plünderungsgruben (mit 1–2 Meter Durchmesser) allerdings schon.
Höhere Auflösung durch Methoden des maschinellen Lernens
Aus zwei Punktwolken, die zu unterschiedlichen Zeiten mit LiDAR vom gleichen Gebiet erstellt wurden (bitemporale Daten), entstehen zwei detaillierte und entsprechende 3D-Karten. Zwischen diesen Karten Veränderungen zu erkennen ist jedoch schwierig, da die Abstimmung der zwei 3D-Punktwolken ungenau sein könnte und Störungen vom LiDAR-Scanner vorliegen können. Mit dem Ansatz von OPTIMAL sind diese Probleme Vergangenheit und die ungeahnte Schwierigkeit, dass die räumliche Auflösung zwischen den zwei Punktwolken aufgrund kleiner Unterschiede im Erfassungssystem zu den zwei Zeiten variiert, wurde auch gelöst. „Bei OPTIMAL haben wir die ersten Methoden mit maschinellem Lernen entwickelt, um Plünderungen als Veränderungen im Laufe der Zeit zu erkennen, indem wir einzelne bitemporale Paare von LiDAR-Punktwolken mit hoher Auflösung direkt verarbeiteten“, erklärt der MSCA-Stipendiat Marco Fiorucci, auch vom CCHT. Bei der Methode mit unüberwachtem Lernen kommt ein Ansatz des „optimalen Transports“ zum Einsatz, für den keine gekennzeichneten Trainingsdatensätze notwendig sind. Die Ergebnisse sind sogar leicht verständlich und gut zu deuten.
Eine Zukunftsvision
„Mit den LiDAR-basierten Systemen der Zukunft könnten Strafverfolgungsbehörden Warnungen in Echtzeit erhalten“, meint Traviglia. Dadurch werden nicht nur Schäden vermieden, sondern auch mehr Festnahmen durchgeführt, sodass die Wirkung vervielfacht wird. Auch über den Schutz des kulturellen Erbes hinaus gibt es mögliche Anwendungen. „Neben der hohen Auflösung für kleine Änderungen können mit unseren Methoden auch große Bereiche überwacht werden, um Umweltkatastrophen wie Überschwemmungen und Wildbrände früh zu erkennen und so die Chancen auf eine erfolgreiche Eindämmung zu erhöhen“, ergänzt Fiorucci. Aus OPTIMAL ist ein wichtiges Werkzeug mit immensem Potenzial für mehr Sicherheit von Menschen, Orten und Kulturgütern trotz zunehmender natürlicher und menschlicher Bedrohungen auf der ganzen Welt hervorgegangen.
Schlüsselbegriffe
OPTIMAL, LiDAR, Punktwolke, kulturelles Erbe, maschinelles Lernen, archäologische Plünderung, optimaler Transport, bitemporale Daten, neuronales Netz, Fernüberwachung
