[论文解读] Enhanced Archaeological Predictive Modelling in Space Archaeology

Li Chen, Carey E. Priebe+4 more|arXiv (Cornell University)|Jan 13, 2013

Archaeological Research and Protection参考文献 10被引用 4

一句话总结

本文提出 APM_{enhanced}，一种基于机器学习的考古预测模型，利用多光谱和地形遥感数据，提升遗址检测的准确性并降低假阴性率。通过整合波段变换、基于主成分分析（PCA）的特征提取，以及使用线性判别分析（LDA）或 (k,l)-最近邻分类，该模型在低假阴性率下表现优于传统 APM，最优结果来自 WorldView-2 的 36 个波段差值比率与坡度数据的结合。

ABSTRACT

Identifying and preserving archaeological sites before they are destroyed is a very important issue. In this paper, we develop a greatly improved archaeological predictive model $APM_{enhanced}$ that predicts where archaeological sites will be found. This approach is applied to remotely-sensed multispectral bands and a single topographical band obtained from advanced remote sensing technologies such as satellites and Airborne Laser Scanning (ALS). Our $APM_{enhanced}$ is composed of band transformation, image analysis, feature extraction and classification. We evaluate our methodology on the sensor bands over Ft.Irwin, CA, USA. A nested bi-loop cross-validation and receiver operating characteristics curves are used to assess the performance of our algorithm. We first validate our method on the east swath of Ft.Irwin and then test on a separate dataset from the west swath of Ft.Irwin. A convex combination of two methodologies: $APM_{conventional}$, which has been used among archaeologists for many years, and our $APM_{enhanced}$, is demonstrated to yield superior classification performance compared to either alone at low false negative rates. We compare the performance of our methodology on different band combinations, chosen based on the archaeological importance for these sensor bands. We also compare the two types of $APM$s in the aspects of input data, output values, practicality and transferability.

研究动机与目标

• 开发一种高精度、低假阴性率的考古预测模型，利用先进的遥感数据。
• 克服传统 APM 依赖实地采集环境因子、可迁移性低的局限。
• 通过高维多光谱与地形波段的统计学习，提升预测性能。
• 评估 APM_{conventional} 与 APM_{enhanced} 在输入数据、输出精度、实用性与可迁移性之间的权衡。
• 证明 APM_{conventional} 与 APM_{enhanced} 的凸组合在低假阴性率下的分类性能更优。

提出的方法

• APM_{enhanced} 处理由卫星与 ALS 数据获取的多光谱波段（如 WorldView-2、KTT）及单一地形波段（坡度）。
• 应用波段变换生成波段差值比率（BDR），确定 36 个 BDR（坡度 + 8 个 WorldView-2 波段）为最优配置。
• 通过主成分分析（PCA）降低维度，最优主成分数量基于最小误差率或 95% 方差阈值确定。
• 采用线性判别分析（LDA）与 (k,l)-最近邻规则进行分类，性能通过嵌套双循环交叉验证与 ROC 曲线评估。
• 使用 APM_{conventional} 与 APM_{enhanced} 的凸组合提升整体分类准确率。
• 模型在 Fort Irwin 东部条带区域进行训练，在西部条带区域进行测试，以确保空间区域间的泛化能力。

实验结果

研究问题

• RQ1 与传统 APM 相比，基于机器学习的 APM 是否能提升分类准确率并降低假阴性率？
• RQ2 哪些多光谱与地形波段的组合能实现考古遗址检测的最高预测性能？
• RQ3 波段差值比率的维度如何影响模型准确率与噪声敏感性？
• RQ4 APM_{conventional} 与 APM_{enhanced} 的结合在多大程度上提升了预测性能，尤其是在低假阴性率下？
• RQ5 在输入数据、输出精度、实用性与可迁移性方面，APM_{enhanced} 与 APM_{conventional} 相比有何差异？

主要发现

• 36 个波段差值比率（坡度 + 8 个 WorldView-2 波段）产生了最高的分类准确率，优于 15、66 和 78 个 BDR 配置。
• 与 APM_{conventional} 相比，APM_{enhanced} 的误差率更低，且在关键阈值下假阴性率显著降低。
• (k,l)-最近邻分类器的 PCA 误差低于 LDA，但 LDA 因偏差-方差权衡而整体预测性能更优。
• APM_{conventional} 与 APM_{enhanced} 的凸组合在分类性能上优于任一模型单独使用，尤其在低假阴性率下表现更优。
• APM_{enhanced} 展现出高可迁移性，其在东部区域训练后在西部区域测试中表现良好，具备良好的泛化能力。
• 该模型基于每个遗址的连续概率得分输出，允许更精细的阈值调整，对假阴性率的控制优于 APM_{conventional} 的离散化输出。