Det borde vara uppenbart för denna dykare att detta är ett skeppsvrak och inte ett rev, men vad sägs om att någon tittar på en bild av denna plats tagen från ett flygplan? Kredit:LookBermuda/Flickr, CC BY-NC-ND
I samarbete med United States Navy's Underwater Archaeology Branch, Jag lärde en dator hur man känner igen skeppsvrak på havsbotten från skanningar tagna av flygplan och fartyg på ytan. Datormodellen vi skapade är 92% korrekt när det gäller att hitta kända skeppsvrak. Projektet fokuserade på kusterna på fastlandet i USA och Puerto Rico. Den är nu redo att användas för att hitta okända eller omartade skeppsvrak.
Det första steget i att skapa skeppsvrakmodellen var att lära datorn hur ett skeppsvrak ser ut. Det var också viktigt att lära datorn hur man skiljer på vrak och havsbottens topografi. Att göra detta, Jag behövde massor av exempel på skeppsvrak. Jag behövde också lära modellen hur den naturliga havsbotten ser ut.
Bekvämt, National Oceanic and Atmospheric Administration håller en offentlig databas över skeppsvrak. Den har också en stor offentlig databas med olika typer av bilder som samlats in från hela världen, inklusive ekolods- och lidarbilder av havsbotten. Bildspråket jag använde sträcker sig till lite över 14 miles (23 kilometer) från kusten och till ett djup av 279 fot (85 meter). Det här bilderna innehåller enorma områden utan skeppsvrak, samt ett och annat skeppsbrott.
Att hitta skeppsvrak är viktigt för att förstå det mänskliga förflutna – tänk handel, migration, krig — men undervattensarkeologi är dyrt och farligt. En modell som automatiskt kartlägger alla skeppsvrak över ett stort område kan minska den tid och kostnad som behövs för att leta efter vrak, antingen med undervattensdrönare eller mänskliga dykare.
Av dessa fyra havsbottenskanningar, de två översta panelerna visar tydligt skeppsvrak, men skeppsvraken i de två nedre panelerna, markerade med röda pilar, kan lätt misstas för naturliga egenskaper. Kredit:National Oceanic and Atmospheric Administration
Navy's Underwater Archaeology Branch är intresserad av detta arbete eftersom det kan hjälpa enheten att hitta omartade eller okända fartygsvrak. Mer allmänt, detta är en ny metod inom området undervattensarkeologi som kan utökas för att leta efter olika typer av nedsänkta arkeologiska särdrag, inklusive byggnader, statyer och flygplan.
Detta projekt är den första arkeologifokuserade modellen som byggdes för att automatiskt identifiera skeppsvrak över ett stort område, i det här fallet hela kusten på fastlandet i USA. Det finns några relaterade projekt som är fokuserade på att hitta skeppsvrak med hjälp av djupinlärning och bilder som samlats in av en undervattensdrönare. Dessa projekt kan hitta en handfull skeppsvrak som finns i området omedelbart kring drönaren.
Vi skulle vilja inkludera mer skeppsvrak och bilddata från hela världen i modellen. Detta kommer att hjälpa modellen att bli riktigt bra på att känna igen många olika typer av skeppsvrak. Vi hoppas också att marinens undervattensarkeologiska gren kommer att dyka till några av de platser där modellen upptäckt skeppsvrak. Detta gör att vi kan kontrollera modellens noggrannhet mer noggrant.
Jag arbetar också med några andra arkeologiska maskininlärningsprojekt, och de bygger alla på varandra. Det övergripande målet med mitt arbete är att bygga en anpassningsbar arkeologisk maskininlärningsmodell. Modellen skulle snabbt och enkelt kunna växla mellan att förutsäga olika typer av arkeologiska fynd, på land såväl som under vattnet, i olika delar av världen. För detta ändamål, Jag arbetar också med projekt fokuserade på att hitta forntida Maya arkeologiska strukturer, grottor på en arkeologisk plats från Maya och rumänska gravhögar.
Den här artikeln är återpublicerad från The Conversation under en Creative Commons-licens. Läs originalartikeln. 
