Uncovering Spatial Patterns in Archaeological Data through the Integration of Self-Organizing Maps, Principal Component Analysis and Hierarchical Clustering
本研究表明，将自组织映射（SOM）与主成分分析（PCA）及层次聚类相结合，通过不仅证实了稳健的聚落分组，还揭示了传统僵化划分方法往往会忽略的连续空间梯度和过渡性遗址，从而增强了考古景观分析。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
考古学在本质上是一种分类行为。几个世纪以来，研究人员一直在试图对从地下挖掘出的庞大且杂乱无章的遗物——陶器碎片、石器工具、古代村落的位置——进行整理，并将它们编排成有意义的组别。这一过程有助于他们理解过去的社会是如何组织的、如何迁徙以及如何与环境互动的。然而，当数据变得复杂，涉及许多不同的测量维度时（例如山丘的高度、坡度的陡峭程度以及遗址距离河流的距离），传统的分类方法往往会显得力不从心。这些标准技术擅长寻找清晰的类别，但有时会忽略现实世界中存在的微妙且渐进的变化，因为在现实中，一种景观类型是缓慢地融入另一种，而非突然中断。
在一项新的研究中，来自纽卡斯尔大学和巴塞罗那大学的研究人员通过将一种强大的新工具应用于古代景观研究，应对了这一挑战。他们将研究重点放在了西班牙北部的上阿兰萨盆地（Upper Arlanza Basin），这是一个崎岖的山区，在公元五世纪至十三世纪期间曾是中世纪早期社区的栖息地。该地区是理解人类如何选择居住地的理想实验室，因为它拥有高耸的山峰、深邃的山谷和河流网络交织的景观。团队收集了57个古代遗址的11种不同测量数据，范围涵盖海拔、到水源的距离以及遗址在周围土地上的可见度。为了理清这些数据，他们使用了三种不同的分析方法：两种是考古学家数十年以来一直依赖的成熟方法，另一种是被称为“自组织映射”（Self-Organizing Map）的新技术，这是一种旨在发现复杂数据中模式而无需预设规则的计算机程序。
研究人员希望看看这种较新的计算机方法是否能揭示传统方法所忽略的内容。他们首先使用了主成分分析（Principal Component Analysis），这是一种通过寻找数据变化主要方向来简化大型数值表的技巧。他们还使用了层次聚类法（Hierarchical Clustering），该方法通过构建遗址的“家族树”，将最相似的遗址归为一类，然后再将这些组别合并为更大的簇。最后，他们应用了自组织映射。想象一个由微小瓷砖组成的网格，每块瓷砖都学习代表一种特定的景观剖面。随着计算机处理数据，相似的遗址会被吸引到同一块瓷砖，而不同的遗址则会移动到不同的瓷砖，从而创建一个距离反映景观差异的地图。
当团队比较结果时，他们发现了一种令人宽慰的一致性。所有三种方法都一致认为存在四个主要的定居点组别。这种趋同表明，这种分类是稳健的，而非某种特定数学技巧产生的偶然产物。然而，这些方法呈现结果的方式揭示了一个关键区别，即它们如何处理景观中混乱的现实。传统方法强行将遗址划分进截然不同的框框里。虽然这很有用，但有时会显得有些生硬，仿佛是在平滑的梯度中切出了锐利的边缘，而实际上并不存在这样的边界。相比之下，自组织映射保留了组别之间的平滑过渡。它表明，虽然存在四种主要的定居点类型，但它们并非孤立存在，而是相互融合。
由于自组织映射保留了原始测量值，当研究人员观察细节时，其力量变得更加清晰。通过这种方法，团队可以创建热图，展示每一组在现实世界中究竟是什么样子的。例如，他们可以观察到其中一组遗址的特征是高可见度和对周边地区的统治地位，而另一组则由陡峭、崎岖的地形所定义。该地图还凸显了位于组别边界上的遗址。这些“过渡性”遗址同时具备两个不同簇的特征，往往是使用旧方法时最难分类的部分。自组织映射并未将这些模糊的遗址视为需要被强行塞入框中的错误，而是将其视为宝贵的线索，证明了景观本身是一个连续的光谱。
这项研究的结论是，最好的方法不是在这些方法中择其一，而是将它们结合使用。传统技术提供了对数据进行分组的坚实且熟悉的框架，而自组织映射则通过展示这些组别如何连接以及边界在哪里变得模糊，从而增加了一个深度维度。通过揭示连续的梯度和过渡性遗址，这种新方法为理解中世纪早期的人们如何在其世界中航行与定居提供了更细致的视角。它表明，过去的决策并不总是非黑即白的，而往往是在自然景观所特有的复杂且多变的灰色地带中做出的。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。