Hiilimiiluja kartalla
Automaattisesti tunnistettuja tervahautoja sekä hiilimiilu Kainuussa. Taustakartta pohjautuu Maanmittauslaitoksen 5p-laserkeilausaineistoon (2020).

Ajankohtaista arkeologiasta: Arkeologisia kohteita tunnistavaa tekoälyä kehittämässä

Arkeologiset kohteet on perinteisesti todettu ja rajattu maastossa tehtyjen havaintojen perusteella, mutta pystyisikö tekoäly samaan? Muun muassa tätä kysymystä on pohdittu Museoviraston ja Oulun yliopiston LIDARK-hankkeessa, jonka tavoitteena on pilotoida kone- ja syväoppimiseen perustuvien menetelmien käyttöä arkeologisten kohteiden automaattiseen tunnistamiseen laserkeilausaineistoista. Kohteiden löytämisen lisäksi tavoitteena on tuottaa myös entistä tarkempaa tietoa kohteiden määrästä, sijainnista ja ominaisuuksista.

Hieman yksinkertaistettuna periaatteena on siis ensin opettaa malli tunnistamaan, miltä esimerkiksi tervahaudat näyttävät käyttäen tunnetuista kohteista muodostettua opetusaineistoa ja soveltaa näin koulutettua mallia uusien tervahautojen etsimiseen. Jotta tunnistus onnistuisi, kohteen täytyy olla riittävän runsaslukuinen , ominaisuuksiltaan yhtenäinen ja tunnistettavissa maanpinnalle erottuvista rakenteista. Hyviä esimerkkejä tällaisista kohteista ovat muun muassa tervahaudat, hiilimiilut, pyyntikuopat.

Kohteiden tunnistamisessa hyödynnetään Maanmittauslaitoksen vuodesta 2020 tuottamia 5p-laserkeilausaineistoja, eli lentokoneeseen kiinnitetyllä laserkeilaimella tuotettuja pistepilviaineistoja. Uusien kansallisen laserkeilausohjelman mukaisten aineistojen pistetiheys on noin 5 pistettä neliömetriä kohden, eli noin kymmenkertainen aiempiin laserkeilausaineistoihin verrattuna.

Kasvaneen pistetiheyden myötä entistä useammat arkeologiset kohteet voidaan erottaa laserkeilausaineistoista aiempaa helpommin, luotettavammin ja yksityiskohtaisemmin, mikä luo samalla edellytykset koneoppimisen hyödyntämiseen arkeologisten kohteiden paikantamisessa. Laserkeilausohjelman mukaiset keilaukset toteutetaan jatkossa pohjoisinta Lappia lukuun ottamatta kuuden vuoden välein, joten aineistot ovat myös aiempaa ajantasaisempia.

Tuutin täydeltä tuloksia

Alustavien tulosten perusteella arkeologisten kohteiden tunnistaminen koneoppivan mallin avulla onnistuu parhaimmillaan jopa hämmästyttävän hyvin. Mallin avulla voidaan parhaimmillaan tunnistaa lähes kaikki tervahaudat, jotka ylipäätään on mahdollista erottaa laserkeilausaineistoista.
Myös muiden kohdetyyppien, kuten vaikkapa hiilimiilujen, esihistoriallisten pyyntikuoppien ja monien sotahistoriallisten kohteiden tunnistus onnistuu hyvin.

Käytännössä tämä tarkoittaa, että mallin avulla tullaan mahdollisesti paikantamaan jopa satojatuhansia ennestään tuntemattomia arkeologisia kohteita. Suurin osa havaituista kohteista sijaitsee metsissä, erämaissa ja muilla sellaisilla alueilla, joissa ei välttämättä ole aiemmin tehty arkeologisia selvityksiä.

Tunnettujen tervahautojen levintä Näljängän tutkimusalueella ennen (vas.) ja jälkeen (oik.) LIDARK-hanketta. Lähtötilanteen tervahautahavainnot on koottu muinaisjäännösrekisteristä, Maanmittauslaitoksen maastotietokannasta sekä Janne Ikäheimon laser 5p -aineistoilla toteuttaman työpöytäinventoinnin tuloksista.

Määrääkin oleellisempaa on kuitenkin mallin avulla tuotetun paikkatiedon tarkkuus, joka on useimmissa tapauksissa merkittävä parannus entiseen nähden. Mallin tuottamat rajaukset noudattavat yleensä tarkasti kohteiden näkyviä ulkoreunoja, mitä ei aina voi sanoa aiemmilla menetelmillä paikannetuista kohteista.

Erityisen hyvin laserkeilausaineistot soveltuvat hyvin erottuvien kohteiden rajaamiseen. Lopputulos on monessa tapauksessa parempi kuin perinteisellä maastotarkastuksella voidaan saavuttaa. Tarkempien paikkatietojen ja rajausten ansiosta kohteet voidaan huomioida aiempaa helpommin ja tarkemmin esimerkiksi maan- tai metsänkäytön yhteydessä.

Suurten muutosten kynnyksellä?

Automaattisella tunnistuksella tuotetun tiedon määrä pakottaa pohtimaan joitakin alan toimintatapoja uudesta näkökulmasta. Esiin nousee uudella tavalla esimerkiksi kysymys siitä, miten arkeologisen kohteen olemassaolo ja rajaus voidaan todeta, sillä tuhansien uusien havaintojen tarkastaminen maastossa muuttuu nopeasti käytännössä mahdottomaksi. Toisaalta edellytykset tehdä havaintoja laserkeilausaineistojen perusteella ovat aiempaa paremmat, jolloin maastotarkastusten roolia ja tarvetta voidaan joiltakin osin arvioida uudestaan.

Näin suurta määrää kohteita ei voida kaikilta osin käsitellä kuin ennen, vaan edessä on vaikeitakin valintoja suojelun tehostamiseksi ja priorisoimiseksi. Pelkkää tuskaa tiedon lisääntyminen ei kuitenkaan merkitse, sillä oikeastaan tilanne on monin tavoin aiempaa parempi. Erityisesti paikkatietojen tarkentuminen sujuvoittaa kohteiden suojelua ja luo samalla edellytyksiä automaation lisäämiseen. Myös priorisointi on helpompaa, kun ratkaisut voidaan perustaa aiempaa parempiin tietoihin. Jatkossa on kuitenkin oltava tarkkana, jotta laserkeilausaineistojen avulla paikannetut kohteet eivät vie huomiota vaikeammin havaittavilta kohteilta.

Tulevaisuudessa laserkeilausaineistoja voidaan käyttää entistä enemmän myös arkeologisten kohteiden ja kulttuuriympäristön tilan seurantaan. Eri vuosina kerättyjen laserkeilausaineistojen muodostamien aikasarjojen avulla voidaan esimerkiksi seurata, onko muinaisjäännösalueilla tapahtunut oleellisia muutoksia edelliseen laserkeilaukseen verrattuna. Sarjoista voidaan myös havaita viitteitä muinaisjäännöksen vaurioitumisesta esimerkiksi eroosion tai luvattomien maansiirto- tai rakennustöiden seurauksena. Näin voidaan systemaattisesti kerätä tietoa muinaisjäännösten säilymisestä ja suojelun onnistumisesta toiminnan kehittämisen tueksi.

Niko Anttiroiko
projektipäällikkö, Museovirasto

Keskiaikaan kadonneet kylät