Des chercheurs ont mis au point un moyen de détecter la présence d’art rupestre dans des zones reculées et difficiles d’accès dans les paysages accidentés d’Australie à l’aide de méthodes d’apprentissage automatique (ML).
Co-dirigée par le Dr Andrea Jalandoni, archéologue numérique du Centre de recherche sociale et culturelle de l’Université Griffith, l’étude a utilisé des centaines d’images d’art rupestre trouvées dans le parc national de Kakadu pour former un modèle ML afin de détecter si l’art rupestre peint était présent dans l’image.
Le modèle a atteint un taux de réussite de 89 %, ce qui signifie qu’il a déterminé quelles images contenaient de l’art rupestre la grande majorité des fois.
« Certains de ces sites ne sont pas facilement accessibles, donc alléger une partie du temps, des efforts et des dépenses nécessaires pour monter certaines missions d’exploration est d’une grande valeur pour ce type de recherche archéologique dans certaines des régions les plus reculées d’Australie », a déclaré le Dr Jalandoni. .
« Une fois que notre modèle ML détecte si une zone photographiée contient potentiellement de l’art rupestre non découvert auparavant, les scientifiques peuvent alors entrer et vérifier sur le terrain le site pour vérifier s’il y a de l’art rupestre présent et en faire rapport plus loin. »
Le Dr Jalandoni et le co-auteur principal, le Dr Nayyar Zaidi de l’Université Deakin, ont travaillé en étroite collaboration avec les anciens traditionnels du parc national de Kakadu sur l’étude.
Le Dr Zaidi a déclaré que « les travaux ont démontré le pouvoir que l’apprentissage automatique et l’intelligence artificielle apportent à la recherche archéologique et ouvrent la voie à des recherches révolutionnaires avec un impact significatif dans les années à venir. Nous sommes ravis de la deuxième phase de notre étude ».
Dans les zones où de nombreux sites d’art rupestre existent, une grande partie de l’art rupestre n’est pas identifiée et reste donc non enregistrée et non étudiée.
Selon l’équipe de recherche, l’automatisation des nombreux processus de recherche sur l’art rupestre pourrait grandement faciliter la recherche sur l’art rupestre à bien des égards, notamment par la reconnaissance et la détection d’objets, l’extraction de motifs, la reconstruction d’objets, les graphiques et représentations de connaissances d’images.
Le Dr Jalandoni a déclaré qu’avec l’efficacité du modèle ML utilisé dans cette étude, la méthode pourrait être utilisée pour former des modèles spécifiques à l’art rupestre trouvé dans différentes régions du monde.
Elle a déclaré que les résultats pourraient également être utiles dans le développement d’une application que les touristes pourraient utiliser pour télécharger des images d’exemples d’art rupestre potentiellement non découverts pour une analyse plus approfondie.
« Si vous êtes un touriste dans une région qui pourrait potentiellement contenir de l’art rupestre et que vous prenez des photos, l’un des objectifs futurs pour nous est de développer une application où vous pouvez ajouter votre image à la collection pour voir si elle a été documenté ou s’il pourrait s’agir d’art rupestre non découvert qui doit être examiné », a déclaré le Dr Jalandoni.
« Ainsi, cela permettrait aux scientifiques citoyens sur le terrain de participer à d’importantes recherches archéologiques. »
Les résultats, « Sur l’utilisation des méthodes d’apprentissage automatique dans la recherche sur l’art rupestre avec application à l’identification automatique de l’art rupestre peint », ont été publiés dans le Journal des sciences archéologiques.
Andrea Jalandoni et al, Sur l’utilisation des méthodes d’apprentissage automatique dans la recherche sur l’art rupestre avec application à l’identification automatique de l’art rupestre peint, Journal des sciences archéologiques (2022). DOI : 10.1016/j.jas.2022.105629