AI’s anvendelse i arkæologiske opdagelser

AI bruges i arkæologiske opdagelser til at finde mønstre i satellitbilleder, dronefotos, LiDAR-data og andre store datasæt. Teknologien peger på sandsynlige spor, men fund bliver først arkæologisk relevante, når eksperter kontrollerer konteksten, dokumenterer stedet og vurderer, om mønstret faktisk er menneskeskabt.

Hvordan bruges AI i arkæologiske opdagelser?

AI bruges som et analyseværktøj, der kan gennemgå store mængder visuelle, geografiske og numeriske data hurtigere end manuel inspektion alene. I arkæologi betyder det især, at modeller kan finde svage mønstre i terræn, jordfarve, vegetation, skygger, højdeforskelle og gentagne former. Resultatet er typisk ikke et færdigt fund, men en liste over områder, som bør undersøges nærmere.

Den praktiske værdi ligger i prioritering. Når et forskerhold arbejder med tusindvis af dronebilleder eller store satellitdækninger, kan AI sortere kandidater efter sandsynlighed. Arkæologer kan derefter bruge tid på de mest lovende steder, sammenholde resultaterne med kendt kulturhistorie og vælge, hvor feltarbejde, boringer, geofysik eller udgravning giver mening.

AI ændrer derfor ikke arkæologiens grundprincip: et fund skal forstås i sin sammenhæng. En model kan foreslå, at en cirkel, linje eller højdeforskel ligner et menneskeskabt anlæg, men den kan ikke alene afgøre alder, funktion, kulturtilhørsforhold eller bevaringsværdi. Det kræver stadig arkæologisk metode, dokumentation og faglig fortolkning.

Hvilke datakilder analyserer AI i arkæologi?

De vigtigste datakilder er fjernmålingsdata. Det kan være satellitbilleder, luftfotos, dronefotos, multispektrale billeder, radar, termiske data og LiDAR, hvor laseropmåling giver detaljerede højde- og terrænmodeller. I åbne landskaber kan AI lede efter farve- og teksturforskelle. I skovområder kan LiDAR hjælpe med at afsløre jordvolde, terrasser, veje eller bebyggelsesspor under vegetation.

AI bruges også på mere afgrænsede arkæologiske data. Det kan være fotos af keramik, mønter, indskrifter, knogler, redskaber eller stratigrafiske profiler fra en udgravning. Her minder teknikken om AI-billedgenkendelse, hvor modellen lærer visuelle træk og foreslår klassifikationer, der efterfølgende kontrolleres af en fagperson.

Datasættets kvalitet er afgørende. En model, der er trænet på klare luftfotos fra et tørt ørkenområde, kan ikke uden videre overføres til fugtige marker, byområder eller tæt skov. Opløsning, årstid, solhøjde, jordbund, moderne forstyrrelser og tidligere registreringer påvirker, hvad modellen kan se. AI kan derfor være stærk i ét landskab og usikker i et andet.

Hvad viste Nazca-studiet om AI og feltarbejde?

Et af de bedst dokumenterede eksempler er PNAS-studiet fra 2024 om Nazca-regionen i Peru. Forskerholdet brugte AI til at gennemgå højopløselige billeder fra et område, hvor kendte geoglyffer allerede var undersøgt gennem mange år. Modellen pegede på kandidater til små, svagt synlige relief-geoglyffer, som ellers er vanskelige at identificere manuelt.

Studiet rapporterede 303 nye figurative geoglyffer efter seks måneders feltundersøgelse. Det tal skal læses præcist: AI-systemet udpegede sandsynlige kandidater, men de nye geoglyffer blev bekræftet gennem menneskelig screening, dronebaseret dokumentation og feltarbejde på jorden. Den arkæologiske opdagelse var altså et samarbejde mellem algoritmisk prioritering og traditionel kontrol.

Casen viser også, hvorfor AI kan give ny viden i velkendte områder. UNESCO-området ved Nazca og Palpa har længe været undersøgt, men små relief-geoglyffer er svage, slidte og ofte lettere at overse end store linjeformer. AI kan skifte opmærksomheden fra de mest synlige monumenter til de mange små spor, der samlet kan ændre forståelsen af et landskab.

Hvorfor er menneskelig kontrol stadig nødvendig?

Arkæologiske data er fulde af tvetydighed. En skygge kan ligne en vold. En markskel kan ligne en oldtidsvej. En moderne kørespor kan ligne en ældre struktur. AI-modeller er gode til mønstergenkendelse, men de forstår ikke i sig selv, om et mønster er historisk, naturligt, moderne eller tilfældigt.

Menneskelig kontrol består af flere lag. Først vurderes modellen teknisk: hvilke træningsdata er brugt, hvor mange kendte eksempler findes, og hvor mange falske positive forventes? Derefter vurderes den arkæologiske kontekst: passer formen, placeringen og materialet med kendt bosættelse, ritual, transport, produktion eller landskabsbrug? Til sidst kræver mange fund fysisk dokumentation.

Den kontrol er ikke en svaghed ved AI, men en del af den faglige proces. AI gør det lettere at finde kandidater, mens arkæologen afgør, hvilke kandidater der kan bære en historisk tolkning. Uden den opdeling risikerer man at forveksle sandsynlige mønstre med beviser.

Hvordan adskiller AI sig fra almindelig fjernmåling?

Fjernmåling er den brede disciplin, hvor man undersøger landskaber uden at røre dem direkte. Arkæologer har i mange år brugt luftfotos, satellitbilleder, geofysiske målinger og LiDAR. AI tilføjer et beregningslag oven på disse data. I stedet for at en person gennemgår alle billeder manuelt, kan en model hjælpe med at finde objekter, klassificere områder eller rangordne usikre kandidater.

Forskellen kan beskrives som skiftet fra visuel inspektion til systematisk dataanalyse. En arkæolog kan stadig se noget, modellen overser, men modellen kan være konsekvent over meget store arealer og gentage samme kriterier på tusindvis af billedfelter. Det er især nyttigt, når signalet er svagt, fundtypen er sjælden, eller dataene kommer fra flere tidspunkter.

Derfor hænger AI i arkæologi tæt sammen med forskellen mellem machine learning og deep learning. Klassiske modeller kan bruge håndlavede træk som tekstur og form, mens dybe neurale netværk kan lære mere komplekse visuelle mønstre direkte fra billeder. Valget afhænger af datamængde, forklarbarhed og forskningsspørgsmål.

Hvilke opgaver egner AI sig bedst til?

AI egner sig bedst til opgaver, hvor der findes store datamængder og et nogenlunde genkendeligt signal. Det kan være gentagne anlægstyper, landskabsstrukturer, billedklassifikation, ændringsdetektion eller prioritering af feltarbejde. Den er mindre velegnet, når opgaven kræver dyb kulturhistorisk fortolkning uden klare data, eller når træningsmaterialet er for lille og ujævnt.

Den største gevinst opstår, når AI indgår i en tydelig arbejdsgang: data indsamles, modellen foreslår kandidater, eksperter gennemgår forslagene, feltarbejde bekræfter eller afviser dem, og resultaterne føres tilbage i datasættet. På den måde bliver modellen gradvist mere nyttig uden at få rollen som endelig dommer.

Hvordan kan AI ændre planlægningen af udgravninger?

Udgravning er dyrt, tidskrævende og ofte destruktivt, fordi lag fjernes, når de dokumenteres. AI kan derfor være værdifuld før selve udgravningen. Hvis modellen kan pege på områder med høj sandsynlighed for menneskeskabte strukturer, kan forskere planlægge mindre indgreb, vælge bedre prøvefelter og kombinere udgravning med ikke-destruktive metoder.

Det betyder ikke, at AI bør bestemme, hvor der graves. Den bør snarere indgå i en beslutningsrækkefølge: Hvad er forskningsspørgsmålet? Hvilke data findes allerede? Hvilke kandidater er mest sandsynlige? Hvilke kan undersøges med geofysik eller overfladeregistrering først? Hvilke lokaliteter er truet af byggeri, erosion eller ulovlig aktivitet?

Den type prioritering minder om avanceret dataanalyse i andre domæner, men arkæologi har et særligt hensyn: lokaliteten kan være unik og sårbar. En forkert prioritering kan betyde, at ressourcer bruges på støj, mens vigtigere spor overses eller forringes.

Hvilke begrænsninger skal forskere regne med?

Den første begrænsning er falske positive. AI kan udpege mønstre, der ligner fortidsminder, men som skyldes geologi, moderne landbrug, erosion, kørespor, skygger, billedstøj eller uens belysning. Jo svagere signalet er, jo vigtigere bliver det at have en klar metode for, hvordan forslag sorteres og kontrolleres.

Den anden begrænsning er dataskævhed. Hvis træningsdata mest kommer fra tørre landskaber, kan modellen have svært ved fugtige, dyrkede eller stærkt forstyrrede områder. Hvis kendte fund kun repræsenterer bestemte perioder eller synlige anlægstyper, kan AI forstærke den eksisterende registreringsskævhed og overse andre former for kulturspor.

Den tredje begrænsning er fortolkning. En model kan finde en struktur, men den kan ikke uden kontekst afgøre, om den er en grav, en vej, et hegn, et rituelt anlæg eller en moderne forstyrrelse. Datering kræver normalt andre metoder, for eksempel stratigrafi, typologi, naturvidenskabelige analyser eller sammenligning med dokumenterede lokaliteter.

Hvordan håndteres data om sårbare fund ansvarligt?

AI kan gøre det lettere at finde ukendte lokaliteter, men præcis lokationsdata kan også øge risikoen for plyndring, hærværk eller uautoriseret adgang. Derfor bør arkæologiske AI-projekter skelne mellem åben metodebeskrivelse og begrænset adgang til følsomme koordinater. Det er ikke altid forsvarligt at publicere alt i samme detaljeringsgrad.

Nazca-studiet illustrerer denne balance. Artiklen beskriver metode og resultater, men præcise lokalitetsdata for træningsmaterialet er underlagt tilladelser og kan ikke bare lægges frit ud. Det er en praktisk påmindelse om, at åben forskning og kulturarvsbeskyttelse nogle gange skal afvejes mod hinanden.

Hvis du vurderer et AI-projekt i arkæologi, bør du derfor se efter klare regler for datasikkerhed, adgangsstyring, dokumentation og efterfølgende kontrol. Principper fra risikostyring i AI-implementeringer er relevante, fordi modellen både påvirker forskningens kvalitet og beskyttelsen af selve kulturarven.

Hvad betyder AI for danske og europæiske forskningsmiljøer?

AI i arkæologi er ikke kun relevant for ørkenområder eller spektakulære fund. Europæiske forskningsmiljøer arbejder også med store mængder landskabsdata, historiske kort, luftfotos, LiDAR, geofysiske målinger og museale samlinger. Her kan AI hjælpe med at finde mønstre i materiale, der allerede er indsamlet, men som er for omfattende til fuld manuel gennemgang.

I dansk og nordeuropæisk sammenhæng er forbeholdene anderledes end i Nazca. Vegetation, dyrkning, fugtige jordbundsforhold og moderne infrastruktur kan gøre signalerne mere komplekse. AI kan derfor ikke overføres direkte fra en international case uden lokal kalibrering. Træningsdata, feltkontrol og samarbejde med lokale myndigheder eller museer bliver centrale dele af metoden.

Den mest realistiske udvikling er ikke fuldautomatisk opdagelse, men bedre beslutningsstøtte. AI kan hjælpe forskere med at vælge, hvilke områder der bør undersøges, hvilke datasæt der bør kombineres, og hvilke usikkerheder der skal beskrives tydeligt, før et fund bliver registreret eller offentliggjort.

Hvordan vurderer du kvaliteten af et AI-arkæologisk fund?

Et AI-arkæologisk fund bør vurderes ud fra mere end modellens egen sandsynlighedsscore. Først skal datagrundlaget være klart: hvilke billeder, sensorer, opløsninger og kendte fund blev brugt? Dernæst skal metoden være gennemsigtig nok til, at andre kan forstå, hvorfor et område blev udpeget. En høj score uden forklaring er svag dokumentation.

Dernæst skal der være uafhængig arkæologisk kontrol. Det kan være visuel gennemgang af rådata, sammenligning med historiske kort, vurdering af terræn, droneoptagelser, geofysiske målinger eller besigtigelse i felten. Hvis fundet kun findes som et output fra modellen, bør det beskrives som en kandidat, ikke som en bekræftet opdagelse.

Til sidst bør projektet vise, hvordan fejl håndteres. Seriøs brug af AI rapporterer også afviste kandidater, usikkerhed, begrænsninger og eventuelle skævheder i datasættet. Det gør det lettere at skelne mellem teknologisk støtte og sikker arkæologisk viden.

Hvordan kan AI bidrage til bevaring af kulturarv?

AI kan også bruges efter et fund er kendt. Ved at sammenligne billeder over tid kan modeller hjælpe med at opdage erosion, vegetation, byggeri, oversvømmelser, landbrugsaktivitet eller ulovlige indgreb. Det gør teknologien relevant for bevaring, ikke kun for opdagelse. Den kan pege på, hvor forvaltning og feltkontrol bør sættes ind først.

Bevaringsarbejde kræver dog klare prioriteringer. En model kan registrere ændringer, men den kan ikke alene afgøre kulturhistorisk værdi, lokal lovgivning, adgangsforhold eller hvilke indgreb der er forsvarlige. Beslutningen skal ligge hos relevante fagfolk og myndigheder, som kan veje forskning, bevaring, lokalsamfund og adgang mod hinanden.

Den ansvarlige anvendelse er derfor trinvis: overvågning med data, faglig vurdering af risiko, dokumentation af fund, beskyttelse af følsomme oplysninger og løbende kontrol af modellens fejl. AI bliver mest nyttig, når den styrker den menneskelige evne til at opdage ændringer i tide.

Hvilken praktisk arbejdsproces giver mest mening?

En robust arbejdsgang starter med et afgrænset spørgsmål. Det kan være, om der findes uregistrerede gravhøje i et bestemt landskab, om kendte lokaliteter er truet af ændringer, eller om keramikfragmenter kan grupperes mere ensartet. Når spørgsmålet er klart, kan forskerne vælge datakilder og modeltype i stedet for at lade teknologien styre opgaven.

1. Definer fundtypen, landskabet og den arkæologiske problemstilling.
2. Vælg datakilder med dokumenteret opløsning, tidspunkt og geografisk dækning.
3. Træn eller tilpas modellen med kendte eksempler og relevante negative eksempler.
4. Gennemgå kandidater manuelt og registrer både bekræftede og afviste forslag.
5. Planlæg feltkontrol, dokumentation og eventuel offentliggørelse ud fra faglige og etiske hensyn.

Denne rækkefølge gør AI til et kontrollerbart redskab. Den hjælper med at finde mulige spor, men den erstatter ikke arkæologens ansvar for metode, kontekst og bevaring. Det er netop kombinationen af beregning og faglig dømmekraft, der gør AI nyttig i arkæologiske opdagelser.

Hvilke kilder ligger til grund?

Kernegrundlaget er PNAS-studiet AI-accelerated Nazca survey, reviewet A Review of Artificial Intelligence and Remote Sensing for Archaeological Research og UNESCOs side om Lines and Geoglyphs of Nasca and Palpa.