《Sensors》：ArqPy: A Python Toolbox for Remote Sensing Image Preprocessing and AI-Assisted Interpretation of Derived Products for Archaeological Prospection
编辑推荐：
摘要翻译：
遥感在考古学中被广泛使用，但缺乏标准化且易于部署的预处理工作流，这限制了可复现性和跨研究可比性，尤其是对于甚高分辨率多光谱影像而言。本研究提出了ArqPy，一个旨在自动化和标准化考古勘探的图像预处理、增强和初步解译的Python工具箱。该工具箱包括
摘要翻译：
遥感在考古学中被广泛使用，但缺乏标准化且易于部署的预处理工作流，这限制了可复现性和跨研究可比性，尤其是对于甚高分辨率多光谱影像而言。本研究提出了ArqPy，一个旨在自动化和标准化考古勘探的图像预处理、增强和初步解译的Python工具箱。该工具箱包括大气校正、传统全色锐化、光谱指数、主成分分析（PCA）和空间滤波。其面向对象的架构目前支持WorldView-3（WV3）和WorldView Legion（LEGION）影像，并便于未来集成其他传感器。ArqPy还整合了互补的基于人工智能（AI）的工具：掩码自编码器（MAE）特征分析用于探索和排序派生产品，Z-PNN用于基于深度学习的全色锐化，以及SAM 3用于候选作物痕迹的文本引导分割。该工具箱被应用于2026年野外工作之前乌兹别克斯坦南部Zar Tepe考古遗址作物痕迹的初步检查。该案例研究展示了所提出的工作流，并证明了ArqPy如何提供一个可复现且易于部署的环境，使考古学家能够使用先进的图像处理方法。基于AI的工具可以支持初步侦察，但在使用特定遗址的考古数据进行进一步训练和验证之前，它们无法取代专家解译。
论文解读文章
**研究背景与问题**
遥感已成为考古学中核心的地表观测手段，能够在大范围和多种空间尺度上提供快速、无损的观测，支撑从单个遗址测绘到区域聚落系统与景观变化的研究。然而，原始卫星图像很少能直接用于考古解译。不同采集时间和传感器之间的辐射差异、大气条件、光照、季节性和植被物候等因素，可能掩盖作物痕迹或土壤痕迹等细微线索。随着WorldView-3（WV3）等甚高分辨率多光谱卫星的普及，数据包含更精细的空间细节和更多光谱波段（包括短波红外），但同时也要求更严格的辐射处理、稳健的大气校正以及在全色锐化时平衡空间细节与光谱失真。当前实践在方法类型上部分趋同，但在实现和报告方式上标准化有限，例如“光谱增强”等术语使用不一致，导致跨研究可比性降低。此外，许多考古团队计算资源有限，缺乏轻量级、可在Windows等标准操作系统上运行的工具，这阻碍了先进图像处理方法的采用。因此，需要一种透明、可复现的工作流，以标准化预处理和增强步骤，并集成自动化或半自动化的作物痕迹检测方法。
**研究目标与总体结果**
针对上述问题，研究人员提出了ArqPy，一个用于标准化考古遥感关键预处理操作的Python工具箱。该工具箱在乌兹别克斯坦南部Zar Tepe考古遗址进行了案例研究，用于在即将到来的野外工作前识别作物痕迹。ArqPy对WV3和WorldView Legion（LEGION）影像执行大气校正和全色锐化，并生成派生产品，包括植被指数、主成分分析（PCA）图像和空间滤波图像。它还集成了基于人工智能（AI）的补充方法，包括掩码自编码器（MAE）特征分析、Z-PNN深度学习全色锐化和SAM 3文本引导分割。其面向对象的设计便于集成其他传感器，同时减少编写新代码或采用不同处理平台的需求。共视觉检查了244个派生产品，识别出四个此前未记录的候选作物痕迹，并为Zar Tepe的解译选出了信息量最大的产品。该工作流通过使预处理和增强步骤明确且易于在标准Windows系统上部署，提高了考古遥感的可复现性和可比性。该研究发表在《Sensors》期刊上。
**主要关键技术方法**
研究人员开发了基于Python的处理流水线，支持WV3和LEGION影像，并使用Orfeo ToolBox（OTB）和GDAL库。主要技术包括：大气校正采用暗目标减法（DOS3）；全色锐化提供加权Brovey、贝叶斯方法和基于深度学习的Z-PNN三种选择；生成21个光谱指数、219个PCA产品以及四种高通滤波图像；使用MAE编码器计算显著图；SAM 3文本引导分割用于候选作物痕迹实例识别。样本来源为Zar Tepe遗址及周边619.8公顷研究区，验证集包含19个数字化特征：10个野外记录的作物痕迹、4个新候选和5个阴性对照。
**结果与分析**
**工具箱性能**
对选定的WV3图像进行常规预处理（大气校正、裁剪、贝叶斯全色锐化）在15分钟内完成，而Z-PNN全色锐化需要约9小时。生成21个光谱指数约10分钟，219个PCA产品约6小时，四个高通滤波器约5分钟。总共获得244个派生产品，占用276.5 GB磁盘空间，压缩后节省约10%。MAE分析总运行时间约5小时。整个流程在Windows 11工作站上完成，展示了该工具箱的实用性和可部署性。
**识别候选作物痕迹**
专家目视检查全部244个派生产品，识别出四个此前未记录的候选作物痕迹。其中两个（ID 13和ID 14）在贝叶斯全色锐化的自然色合成图像中清晰可见，ID 13可能对应遗址防御墙的一部分，ID 14在耕地中形成独特的五边形图案。另外两个候选者通过光谱指数产品识别：ID 11表现为TCARI/OSAVI高值区域，可能指示叶绿素含量或植被活力降低；ID 12通过MTVI指数识别。此前经过地面验证的作物痕迹也被检查，六个在自然色合成图像中可见，其余的在PCA和光谱指数产品中识别。
**MAE显著值分析**
总体而言，PCA派生产品表现出最高的平均和最大MAE显著值。贝叶斯全色锐化的自然色合成图像产生第二高的显著值，并支持识别了八个作物痕迹。高通滤波产品和光谱指数的显著值较低且相似。在作物痕迹与阴性对照位置比较MAE显著性时，阴性对照在除光谱指数外的所有产品组中产生更高的平均显著值和百分位排名，表明MAE对非考古几何特征（如拖拉机和收割后的田界）响应强烈，有时甚至强于作物痕迹。产品组层面，专家目视选择的产品与MAE排名最高的产品之间一致性有限，TCARI/OSAVI是例外。
**SAM 3实例分割分析**
使用贝叶斯全色锐化图像的红、绿、蓝波段作为SAM 3输入，测试了三种文本提示。提示“crop mark”主要分割出遗址周边耕地中的道路和田间小径，以及历史CORONA影像中可见的旧路和田界。加入“archaeological”后，预测实例数量减少，一个实例与作物痕迹ID 4重叠，但预测掩膜比数字化特征更大；另一个区域显示出异常的植被模式，可能是地下特征，但需实地调查。将“crop”替换为“soil”后，提示“archaeological soil mark”主要分割出耕地内的大型几何区域，未识别出任何考古相关的作物痕迹。SAM 3无法单独可靠地确定特征的考古起源。
**讨论与结论**
讨论部分指出，WV3甚高分辨率多光谱图像能有效增强可能与埋藏考古遗存相关的植被和土壤细微变化。ArqPy通过使处理序列和参数明确可追溯，促进了可复现性，降低了考古学家使用先进图像处理方法的门槛。然而，完整执行工具箱会产生大量派生产品，需要大量存储空间并使目视检查耗时。专家目视检查仍是最可靠的识别和勾画作物痕迹的方法，但其结果依赖当地植被、土壤、采集条件和考古特征。MAE显著图突出了部分作物痕迹，但对其他痕迹响应较弱，且对非考古几何特征产生强烈响应，因此只能作为探索性指标，需结合源产品、考古专业知识和实地验证数据解释。SAM 3提供了比MAE更直接的空间候选，因为它生成分割实例而非一般显著模式，但也分割了大量现代和历史路径、田界，文本引导分割本身不能可靠判定特征的考古起源。未来工作应研究使用代表性考古和非考古样本进行任务特定训练或分类，少样本图像分类可能特别有用。全色锐化自然色合成图像、PCA产品和光谱指数是本案例中目视识别作物痕迹最有用的来源，高通滤波图像虽未揭示额外作物痕迹，但阐明了某些已在自然色合成图像中可见特征的线性和边缘特征，不应排除在未来检查之外。PCA和光谱指数提供的互补信息也证明仅将AI模型应用于红、绿、蓝输入的局限性。研究基于相对较小的案例，需要进一步测试以评估派生产品和AI方法在更广泛区域的适用性。该研究结论：ArqPy是一个基于Python的工具箱，标准化并自动化了考古遥感的关键预处理和增强操作。应用于Zar Tepe生成了244个派生产品，支持专家在野外工作前识别出四个此前未记录的候选作物痕迹。全色锐化自然色合成图像、PCA产品和光谱指数提供了最有用信息，但信息量最大的产品因作物痕迹而异，证明了系统检查互补图像产品的价值。集成的AI工具支持不同工作阶段，但也显示出重要局限性：MAE显著性对非考古几何特征响应强烈且与专家产品选择一致性有限；SAM 3生成了潜在相关分割候选，但也检测到道路、小径和田界。这些工具可以辅助初步侦察和产品探索，但不能取代专家解译和实地验证。总体而言，ArqPy通过使处理链明确且可重复，促进了可复现性和透明度。未来工作将专注于在更多考古遗址验证该工作流，集成更多传感器和校正方法，增加参数灵活性，并使AI模型适应考古训练数据和超出可见波段的多光谱信息。
