Quantifying cultural-intensity distributions in three dimensions: an anisotropic Gaussian spatial model with confidence weighting, demonstrated on the Neolithic cemetery–altar complex of Lingjiatan, China

Resumen Técnico: Cuantificación de las Distribuciones de Intensidad Cultural en Tres Dimensiones

Planteamiento del Problema
El artículo aborda una limitación persistente en la arqueología espacial: el tratamiento de la distribución de la actividad cultural como una superficie isotrópica y suavizada. Los flujos de trabajo convencionales, principalmente la Estimación de Densidad de Kernel (KDE) y el Kriging Ordinario, emplean típicamente kernels circulares en el plano horizontal, relegando la elevación a una superficie secundaria o ignorándola por completo. Este enfoque suaviza dos dimensiones arqueológicas críticas: la direccionalidad (por ejemplo, la elongación a lo largo de crestas o terrazas) y la fiabilidad (variaciones sistemáticas en la calidad de la excavación y la perturbación tafonómica). Además, los métodos estándar suelen fallar al distinguir entre la disposición geométrica de los rasgos y la correlación espacial de sus valores de intensidad, particularmente cuando los datos están dominados por efectos de "nugget" (ruido aleatorio en los conteos). El autor argumenta que la direccionalidad y la incertidumbre observacional deben tratarse como cantidades estimables en lugar de elecciones de suavizado fijas.

Metodología: El 3DGSM
El autor introduce el Modelo Espacial Gaussiano Tridimensional (3DGSM), un marco estadístico que modela cada unidad de rasgo cultural como un kernel de influencia gaussiano anisotrópico. El modelo está conceptualmente inspirado en el Gaussian splatting 3D de la computación gráfica, pero se estima utilizando la maquinaria de la estadística espacial clásica (máxima verosimilitud ponderada y regresión de kernel).

El modelo se define por cuatro parámetros para cada unidad $i$:

1. Posición ($\mu_i$): Las coordenadas 3D (este, norte, elevación).
2. Atributo ($C_i$): La intensidad cultural (por ejemplo, conteo de artefactos).
3. Peso de Confianza ($\alpha_i$): Un valor en $[0, 1]$ que califica la fiabilidad de la observación basada en el contexto de la excavación (perturbación, completitud del registro).
4. Covarianza de Influencia ($\Sigma_i$): Una matriz de covarianza global compartida ($\hat{\Sigma}$) estimada para todo el complejo. Sus valores propios definen las longitudes de los ejes del elipsoide de influencia, y sus vectores propios definen la orientación.

Estimación y Predicción:

• Estimación de la Geometría: La geometría de influencia global se estima mediante la máxima verosimilitud ponderada por $\alpha$. Los pesos se definen como $w_i = o_i \alpha_i$, donde $o_i$ es la intensidad registrada. Esto asegura que las observaciones inciertas o perturbadas contribuyan menos a la estimación de la estructura espacial.
• Predicción: El paisaje cultural en cualquier punto $p$ es la superposición de todas las influencias de las unidades. La intensidad predicha se calcula utilizando una forma de regresión de kernel gaussiano anisotrópico, donde la contribución de cada unidad es ponderada por el kernel gaussiano con una matriz de ancho de banda derivada de la covarianza estimada.

Diseño de Evaluación:
El modelo se aplicó a 85 unidades de rasgos culturales (70 tumbas, 15 unidades de altar/sacrificio) del complejo neolítico de cementerio-altar de Lingjiatan en Anhui, China.

• Datos: Las posiciones fueron digitalizadas a partir de planos publicados (precisión de $\pm 0.5$ m); las intensidades se derivaron de conteos de artefactos; los pesos de confianza se asignaron según informes de perturbación.
• Validación: Se utilizó una validación cruzada de dejar uno fuera (LOO-CV) no circular. El modelo se reajustó con $n-1$ unidades para predecir la intensidad de la unidad excluida, comparando el resultado contra la intensidad registrada (no la propia superficie del modelo).
• Líneas Base: El rendimiento se comparó con el Kriging Ordinario (3D), KDE 2D isotrópico, Ponderación por Distancia Inversa (IDW) y varias ablaciones del 3DGSM (3D isotrópico, 2D anisotrópico y sin ponderación de confianza).
• Robustez: Una simulación controlada verificó la capacidad del estimador para recuperar la anisotropía conocida bajo variables de tamaño de muestra ($n=50, 100, 200$) y relaciones de eje ($\rho=1, 2, 4, 8$).

Resultos Clave

• Geometría Ajustada: El modelo identificó una distribución moderadamente anisotrópica. El eje principal tiene un azimut de 146.8° (NNW–SSE), alineándose con el eje largo de la cresta sobre la cual se asienta el complejo. El eje en el plano es aproximadamente de 2.6, lo que indica que la influencia se extiende 2.6 veces más a lo largo de la cresta que perpendicularmente a ella. El eje vertical es corto (0.6 m), con una relación de decaimiento horizontal-vertical de ~29, cuantificando la compacidad estratigráfica de los depósitos.
• Desempeño Predictivo:
  • El 3DGSM logró un RMSE de 0.133, superando significativamente al Kriging Ordinario (RMSE de 0.140, $p=0.020$). El autor atribuye esto a la incapacidad del Kriging para manejar la naturaleza "dominada por el nugget" de los conteos de artefactos, lo que causa que colapse hacia la media.
  • Frente al KDE 2D isotrópico, el IDW y las ablaciones isotrópicas, el 3DGSM no mostró una diferencia estadísticamente significativa en precisión. El autor señala que, en este corpus específico (anisotropía moderada, datos dominados por el nugget), la covarianza anisotrópica añade interpretabilidad en lugar de una ventaja predictiva demostrable.
  • El acuerdo a nivel de zona (áreas de alta vs. baja intensidad) fue del 75.3%, con una correlación de rango de Spearman de 0.479.
• Estabilidad: La geometría ajustada es robusta a los errores de digitalización a escala de publicación (variación de azimut $\pm 0.3^\circ$) y sensible a la definición del protocolo de intensidad (desplazamiento de azimut de solo $1.5^\circ$ entre conteos de artefactos y proxies basados en área).
• Hallazgos de la Simulación: El estimador recupera con éxito la anisotropía conocida. Para relaciones de eje $\rho \ge 2$, el error de azimut es inferior al $5.4^\circ$ (con $n=50$) y cae a $0.5^\circ$ (con $n=200, \rho=8$). Las ventajas predictivas sobre los métodos isotrópicos emergen solo cuando la verdadera anisotropía existe y los tamaños de muestra son suficientes.

Significancia y Reivindicaciones
El artículo reclama modestamente que el 3DGSM ofrece un complemento interpretable a los flujos de trabajo de KDE estándar en lugar de una ganancia de precisión universal. Sus principales contribuciones son:

1. Interpretación Explícita: Convierte la organización espacial en parámetros estimables (orientación, relación de eje, tasas de decaimiento) que pueden vincularse directamente con argumentos arqueológicos (por ejemplo, alineación con la cresta, límites rituales).
2. Manejo Formal de la Incertidumbre: Incorpora el sesgo de excavación y tafonómico mediante pesos de confianza, tratándolos como parámetros explícitos en lugar de ruido no modelado.
3. Cuantificación Direccional: Va más allá de preguntar dónde se concentra la actividad para medir cómo decae la intensidad en direcciones específicas.
4. Benchmarking Honesto: El autor reporta explícitamente que el modelo no inventa ganancias predictivas donde no existen (por ejemplo, en datos isotrópicos o muestras pequeñas) y que su ventaja sobre el Kriging proviene de la naturaleza específica de los conteos arqueológicos "dominados por el nugget", no de una superioridad general del método.

El estudio concluye que, si bien el 3DGSM no reemplaza las interpretaciones de excavación tradicionales, proporciona una ruta cuantitativa y rigurosa para medir la organización espacial, la direccionalidad y la fiabilidad, con estimaciones de incertidumbre que pueden reportarse junto con las conclusiones arqueológicas.