Van heel Nederland zijn talloze luchtfoto’s en LiDAR-kaarten, zeer nauwkeurige hoogtegegevens, beschikbaar. Dat is een onontdekte schat aan archeologische informatie. Het is alleen zeer arbeidsintensief om ze door te ploegen.
Om die zoektocht makkelijker te maken ontwikkelde archeoloog Wouter Verschoof-van der Vaart tijdens zijn promotieonderzoek nieuwe methodes om op grote schaal gegevens te verwerken. ‘We hebben gewoon heel veel data’, vertelt hij. ‘En het kost een heleboel tijd en moeite om daarin handmatig archeologische sites en objecten terug te vinden.’
Handmatig archeologische sites of objecten zoeken in LiDAR-gegevens vereist expertise, aldus de promovendus. ‘Bij een onderzoek in Baden-Württemberg heeft één archeoloog alle LiDAR-data doorgenomen van de hele deelstaat, een gebied dat ongeveer even groot is als Nederland. Die ene persoon is tien jaar bezig geweest om er één keer doorheen te gaan. Als iemand dan toevallig erg gefocust is op grafheuvels en niet kijkt naar bijvoorbeeld Middeleeuwse wegen, dan ga je die alsnog niet achterhalen.’
Reden dus om een nieuwe methode te ontwikkelen om de grote hoeveelheden data te onderzoeken. Hiervoor trainde Verschoof-van der Vaart zelflerende algoritmes om grafheuvels, prehistorische akkers en Middeleeuwse wegen te herkennen op hoogtedata-kaarten van de Veluwe. Ze zoeken patronen in het landschap en markeren bijvoorbeeld een ronde verhoging als grafheuvel.
De onderzoeker gaf de algoritmes eerst trainingsdata van een klein gebied waarin archeologische objecten al door mensen waren aangewezen. Zo leerde hij de algoritmes vergelijkbare objecten terug te vinden in niet eerder onderzochte gebieden.
Dit levert niet alleen veel tijdwinst op, maar stelt archeologen ook in staat om naar nieuwe patronen te zoeken. ‘Er heerst bijvoorbeeld een idee dat de route van Middeleeuwse wegen verband houdt met grafheuvels. Het kan zijn dat er op die heuvels wegmarkeringen hebben gestaan, een wegwijzer met linksaf Harderwijk, rechtsaf Nunspeet. Dat soort ideeën kunnen we nu op grote schaal gaan onderzoeken, doordat we die objecten automatisch kunnen detecteren.’
Hoewel de algoritmes zijn getraind met Nederlandse data, kunnen ze ook buitenlandse gebieden analyseren. ‘Er zijn ook grafheuvels in andere delen van Europa, en zelfs in China. Het lijkt niet zo veel uit te maken hoe het landschap eruitziet. In Nederland keken we naar heidegebied, maar op data van bosgebieden in Duitsland en Slovenië werkt het ook. Het grootste probleem zit in de kwaliteit van de data.’
Verschoof-van der Vaart hoopt dat zijn methode tot nieuwe archeologische ontdekkingen zal leiden. ‘Als we weten hoe we deze algoritmes het beste kunnen trainen en de data daarna kunnen verwerken, dan kunnen we daarna makkelijker andere soorten objecten gaan opsporen.’
Toch zijn de algoritmes niet meteen zaligmakend. Ook software kan zich vergissen. ‘Als je het algoritme laat zoeken naar een grafheuvel probeert het een min of meer rond object te vinden dat hoger is dan de omgeving’, zegt hij. ‘Het is nog niet echt mogelijk om ook naar de context van dat patroon te kijken. Het algoritme markeert dan een perfect ronde verhoging als grafheuvel. Maar wij zien ook de vier wegen die er naartoe lopen en snappen meteen dat het een rotonde is.’
Maar ook dat is bij te sturen. ‘Door een beetje archeologische kennis toe te voegen, bijvoorbeeld dat de kans heel klein is dat een grafheuvel midden op een weg ligt, kunnen we een deel van de fouten eruit halen.’
Toch zullen echte archeologen met troffels in de hand altijd nodig blijven, voorspelt hij. ‘De ontwikkeling van deze algoritmes gaat supersnel. In de nabije toekomst zullen ze meer werk van experts overnemen. Hoe beter de algoritmes worden, hoe minder tijd experts hoeven te besteden aan handmatig onderzoeken van data. Maar ze blijven altijd nodig voor het interpreteren van resultaten. En het algoritme kan niet naar buiten gaan voor veldwerk.’
