Uncovering Spatial Patterns in Archaeological Data through the Integration of Self-Organizing Maps, Principal Component Analysis and Hierarchical Clustering
Deze studie toont aan dat het integreren van Self-Organizing Maps (SOM) met Principal Component Analysis en hiërarchische clustering de archeologische landschapsanalyse verbetert door niet alleen robuuste nederzettingsgroepen te bevestigen, maar ook continue ruimtelijke gradiënten en overgangssites te onthullen die traditionele rigide partitioneringsmethoden vaak over het hoofd zien.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Archeologie is fundamenteel een daad van sorteren. Eeuwenlang hebben onderzoekers de enorme, rommelige collectie van zaken die in de grond zijn gevonden — potscherven, stenen werktuigen, de locaties van oude dorpen — geprobeerd te ordenen en te analyseren om ze in betekenisvolle groepen onder te verdelen. Dit proces helpt hen te begrijpen hoe oude samenlevingen waren georganiseerd, hoe zij zich verplaatsten en hoe zij met hun omgeving interacteerden. Echter, wanneer de data complex wordt en vele verschillende metingen tegelijkertijd omvat, zoals de hoogte van een heuvel, de steilheid van een helling en de afstand van een locatie tot een rivier, worstelen traditionele methoden vaak. Deze standaardtechnieken zijn uitstekend in het vinden van duidelijk afgebakende categorieën, maar ze missen soms de subtiele, geleidelijke verschuivingen die bestaan in de echte wereld, waar het ene type landschap langzaam overgaat in een ander in plaats van abrupt te stoppen.
In een nieuwe studie hebben onderzoekers van de Universiteit van Newcastle en de Universitat de Barcelona deze uitdaging aangepakt door een krachtig nieuw instrument toe te passen op de studie van oude landschappen. Ze richtten zich op de Upper Arlanza Basin in het noorden van Spanje, een ruig, bergachtig gebied dat tussen de vijfde en dertiende eeuw de thuisbasis was van vroegmiddeleeuwse gemeenschappen. Dit gebied is een perfect laboratorium voor het begrijpen van hoe mensen kozen waar zij gingen wonen, aangezien het een mix bevat van hoge pieken, diepe valleien en riviernetwerken. Het team verzamelde elf verschillende metingen voor vijfentwintig oude locaties, variërend van hoogte en afstand tot water tot de mate waarin een locatie zichtbaar is vanuit de omgeving. Om deze data betekenis te geven, gebruikten zij drie verschillende analytische benaderingen: twee goed gevestigde methoden waar archeologen al decennia lang op vertrouwen, en een nieuwere techniek genaamd een Self-Organizing Map, een type computerprogramma dat ontworang is om patronen te vinden in complexe data zonder dat het verteld wordt waarnaar het moet zoeken.
De onderzoekers wilden zien of deze nieuwere computermethode iets kon onthullen wat de oudere methoden gemist hadden. Ze begonnen met Principal Component Analysis, een techniek die een grote tabel met getallen vereenvoudigt door de belangrijkste richtingen te vinden waarin de data varieert. Ze gebruikten ook Hierarchical Clustering, die een stamboom van de locaties opbouwt door de meest gelijkaardige locaties bij elkaar te groeperen en vervolgens deze groepen samen te voegen tot grotere clusters. Ten slotte pasten zij de Self-Organizing Map toe. Stel je een raster van kleine tegels voor, waarbij elke tegel leert om een specifiek type landschaps-profiel te vertegenwoordigen. Terwijl de computer de data verwerkt, worden vergelijkbare locaties naar dezelfde tegel getrokken, terwijl verschillende locaties naar andere tegels bewegen, waardoor een kaart ontstaat waarbij de afstand tussen de tegels de verschillen tussen de landschappen weerspiegelt.
Toen het team de resultaten vergeleek, vonden zij een geruststellende consistentie. Alle drie de methoden waren het eens over het bestaan van vier hoofdgroepen nederzettingen. Deze convergentie suggereert dat de classificatie robuust is en niet slechts een artefact is van één specifieke wiskundige truc. De manier waarop deze methoden de resultaten presenteerden, onthulde echter een cruciaal verschil in hoe zij omgaan met de rommelige realiteit van het landschap. De traditionele methoden dwongen de locaties in duidelijke hokjes. Hoewel dit nuttig is, kan het soms kunstmatig aanvoelen, alsof het door een vloeiend verloop snijdt om scherpe randen te creëren waar die er werkelijk niet zijn. De Self-Organizing Map behield daarentegen de vloeiende overgangen tussen deze groepen. Het toonde aan dat hoewel er vier hoofdtypen nederzettingen zijn, deze niet in isolatie bestaan; ze vloeien in elkaar over.
De kracht van de Self-Organizing Map werd nog duidelijker toen de onderzoekers naar de details keken. Omdat deze methode de oorspronkelijke metingen zichtbaar houdt, kon het team heatmaps maken die lieten zien hoe elke groep er in de echte wereld uitzag. Zo konden zij zien dat één groep locaties werd gekenmerkt door een hoge zichtbaarheid en dominantie over de omgeving, terwijl een andere groep werd gedefieerd door steil, ruig terrein. De kaart benadrukte ook locaties die precies op de grens tussen groepen lagen. Deze "transitionele" locaties, die een mix bezitten van kenmerken uit twee verschillende clusters, waren vaak het moeilijkst te classificeren met de oudere methoden. De Self-Organizing Map behandelde deze ambigue locaties niet als fouten die in een hokje gedwongen moesten worden, maar als waardevolle aanwijzingen dat het landschap zelf een continuüm is.
De studie concludeert dat de beste aanpak niet is om te kiezen tussen de ene of de andere methode, maar om ze samen te gebruiken. De traditionele technieken bieden een solide, bekend kader voor het groeperen van de data, terwijl de Self-Organizing Map een laag van diepgang toevoegt door te laten zien hoe die groepen met elkaar verbonden zijn en waar de grenzen vaag zijn. Door de continue gradiënten en de transitionele locaties te onthullen, biedt deze nieuwe benadering een meer genuanceerd begrip van hoe vroegmiddeleeuwse mensen hun wereld navigeerden en bewoonden. Het suggereert dat de beslissingen uit het verleden niet altijd in zwart-wit werden genomen, maar vaak in de complexe, verschuivende grijstinten die het natuurlijke landschap kenmerken.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.