Uncovering Spatial Patterns in Archaeological Data through the Integration of Self-Organizing Maps, Principal Component Analysis and Hierarchical Clustering
이 연구는 자기조직화지도(SOM)를 주성분 분석 및 계층적 군집화와 결합하는 것이 견고한 정착지 그룹을 확인할 뿐만 아니라 기존의 경직된 분할 방식이 흔히 간과하는 연속적인 공간 구배와 전이 지점들을 밝혀냄으로써 고고학적 경관 분석을 강화한다는 것을 입증한다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
고고학은 근본적으로 분류하는 행위입니다. 수 세기 동안 연구자들은 땅속에서 발견된 도자기 파편, 석기, 고대 마을의 위치와 같은 방대하고 무질서한 유물들을 가져와 이를 의미 있는 집단으로 배열하려고 노력해 왔습니다. 이 과정은 과거 사회가 어떻게 조직되었고, 어떻게 이동했으며, 환경과 어떻게 상호작용했는지를 이해하는 데 도움을 줍니다. 그러나 데이터가 언덕의 높이, 경사도, 유적지와 강 사이의 거리와 같이 여러 가지 서로 다른 측정값을 포함하여 복잡해질 때, 전통적인 분류 방식은 종종 어려움을 겪습니다. 이러한 표준 기술들은 명확한 범주를 찾아내는 데는 탁월하지만, 한 유형의 지형이 갑자기 멈추는 것이 아니라 서서히 다른 유형으로 섞여 들어가는 실제 세계의 미묘하고 점진적인 변화는 놓치는 경우가 있습니다.
새로운 연구에서 뉴캐슬 대학교와 바르셀로나 대학교의 연구진은 고대 경관 연구에 강력하고 새로운 도구를 적용함으로써 이 과제를 해결했습니다. 그들은 5세기에서 13세기 사이 초기 중세 공동체의 거주지였던 스페인 북부의 험준한 산악 지역인 아를란사 분지 상류 지역에 집중했습니다. 이 지역은 높은 봉우리, 깊은 계곡, 강 네트워크가 혼합되어 있어 사람들이 어디에 살 곳을 정했는지 이해하기에 완벽한 실험실입니다. 연구팀은 고도, 물과의 거리, 주변 지형으로부터의 가시성 등 11가지의 서로 다른 측정값을 57개의 고대 유적지에 대해 수집했습니다. 이 데이터를 이해하기 위해 그들은 세 가지 다른 분석 접근 방식을 사용했습니다. 두 가지는 고고학자들이 수십 년 동안 의존해 온 잘 알려진 방법이며, 나머지 하나는 무엇을 찾으라고 지시하지 않아도 복잡한 데이터에서 패턴을 찾아내도록 설계된 컴퓨터 프로그램의 일종인 자기 조직화 지도(Self-Organizing Map)입니다.
연구진은 이 새로운 컴퓨터 방식이 기존의 방식들이 놓친 것을 밝혀낼 수 있는지 알고 싶었습니다. 먼저 그들은 데이터가 변하는 주요 방향을 찾아내어 방대한 숫자 표를 단순화하는 기법인 주성분 분석(Principal Component Analysis)을 사용했습니다. 또한 가장 유사한 유적들을 묶고 그 그룹들을 더 큰 클러스터로 병합하는 계층적 군집 분석(Hierarchical Clustering)을 사용했습니다. 마지막으로 자기 조직화 지도를 적용했습니다. 작은 타일들로 이루어진 격자를 상상해 보십시오. 각 타일은 특정 유형의 지형 프로파일을 나타내는 법을 배웁니다. 컴퓨터가 데이터를 처리함에 따라 유사한 유적들은 동일한 타일로 끌려오고, 서로 다른 유적들은 다른 타일로 이동하며, 타일 사이의 거리는 지형 간의 차이를 반영하는 지도를 만듭니다.
연구팀이 결과를 비교했을 때, 그들은 안심할 수 있는 일관성을 발견했습니다. 세 가지 방법 모두 네 개의 주요 정착지 그룹의 존재에 동의했습니다. 이러한 수렴은 이 분류가 단순히 특정 수학적 기교의 산물이 아니라 견고하다는 것을 시사합니다. 그러나 이러한 방식들이 결과를 제시하는 방식은 실제 경관의 무질서한 현실을 다루는 방식에서 결정적인 차이를 드러냈습니다. 전통적인 방식들은 유적들을 뚜렷한 상자 안에 강제로 밀어 넣었습니다. 이는 유용하지만, 마치 실제로는 존재하지 않는 날카로운 경계선을 만들기 위해 매끄러운 구배를 잘라내는 것처럼 느껴질 수 있습니다. 반면, 자기 조직화 지도는 이 그룹들 사이의 부드러운 전이를 보존했습니다. 이는 네 가지 주요 유형의 정착지가 존재하지만, 그것들이 고립되어 존재하는 것이 아니라 서로 흘러 들어간다는 것을 보여주었습니다.
자기 조직화 지도의 힘은 연구진이 세부 사항을 살펴볼 때 더욱 분명해졌습니다. 이 방식은 원래의 측정값을 그대로 유지하기 때문에, 연구팀은 각 그룹이 실제 세계에서 어떤 모습인지 보여주는 히트맵을 만들 수 있었습니다. 예를 들어, 그들은 한 그룹의 유적지가 높은 가시성과 주변 지역에 대한 지배력을 특징으로 하는 반면, 다른 그룹은 가파르고 험준한 지형에 의해 정의된다는 것을 볼 수 있었습니다. 또한 이 지도는 그룹 사이의 경계에 위치한 유적들을 강조했습니다. 두 클러스터의 특징을 모두 가진 이 "전이적" 유적들은 기존 방식으로는 분류하기 가장 어려웠던 곳들이었습니다. 자기 조직화 지도는 이러한 모호한 유적들을 상자 안에 억지로 끼워 맞춰야 할 오류가 아니라, 경관 자체가 연속적인 스펙트럼이라는 귀중한 단서로 취급했습니다.
연구는 최선의 접근 방식은 한 가지 방법을 다른 방법보다 우위에 두는 것이 아니라, 이들을 함께 사용하는 것이라고 결론짓습니다. 전통적인 기술은 데이터를 그룹화하는 견고하고 친숙한 틀을 제공하며, 자기 조직화 지도는 그룹들이 어떻게 연결되는지, 그리고 경계가 얼마나 모호한지를 보여줌으로써 깊이를 더합니다. 연속적인 구배와 전이 지점을 밝혀냄으로써, 이 새로운 접근 방식은 초기 중세 사람들이 자신들의 세계를 어떻게 항해하고 정착했는지에 대한 더 미묘한 이해를 제공합니다. 이는 과거의 결정들이 항상 흑백 논리로 이루어진 것이 아니라, 자연 경관의 특징인 복잡하고 변화하는 회색 지대 속에서 이루어졌음을 시사합니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.