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

Clicks: 3
ID: 288499
2025
Free PDF
Article Quality & Performance Metrics
Overall Quality
Not rated
Combines reader engagement with the AI quality analysis. This article has not been analysed, so there is no overall score — reader engagement is measured and shown alongside.
AI Quality Assessment
Not analyzed
Readership in this journal
Emerging

Ranked #288 of 1,244 articles by views in ADVANCES IN ARCHAEOLOGICAL PRACTICE

Most read Least read

Bar heights use a square-root scale. Only the 120 most-read articles are drawn; the journal has 1,244 in total.

Mint this article as an NFT
Not yet minted

Create a permanent, verifiable on-chain record of this article on the Scimatic Network. The NFT is held in your Journament account, and you can withdraw it to your own wallet at any time.

5 SUSD one-off · no wallet required
Sign in to mint
Abstract
ResumenLa 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.
Reference Key
persistent_1761421088_68fd2720882eb Use this key to autocite in the manuscript while using SciMatic Manuscript Manager or Thesis Manager
Authors Alex Fetterhoff
Journal ADVANCES IN ARCHAEOLOGICAL PRACTICE
Year 2025
DOI
10.1017/aap.2025.1
URL
https://www.cambridge.org/core/product/2E4AE92C4326CD044302D045C5A4C109/core-reader
Keywords Keywords not found

Citations

No citations found. To add a citation, contact the admin at info@scimatic.org

Comments

No comments yet. Be the first to comment on this article.