Preprint Armin Volkmann in Festschrift für Prof. Joachim Henning, Berlin 2026 In den letzten Jahren ist es durch die fortgeschrittene Algorithmik, die in Systeme der Künstlichen Intelligenz mündet, zu spürbaren Veränderungen in der Gesellschaft gekommen, die auch nicht an Wissenschaft und Archäologie, als Teil derselben, folgenlos vorbeigingen. Ziel des Artikels ist es, Perspektiven der Anwendung…

Preprint Armin Volkmann in Festschrift für Prof. Joachim Henning, Berlin 2026 In den letzten Jahren ist es durch die fortgeschrittene Algorithmik, die in Systeme der Künstlichen Intelligenz mündet, zu spürbaren Veränderungen in der Gesellschaft gekommen, die auch nicht an Wissenschaft und Archäologie, als Teil derselben, folgenlos vorbeigingen. Ziel des Artikels ist es, Perspektiven der Anwendung der algorithmischen Bildmustererkennung fallbeispielhaft für die Landschaftsarchäologie vorzustellen. Im Folgenden werden daher vergleichend verschiedene Forschungen aufgeführt, die besonders interessanten Ansätzen folgen. Zusammenfassung Keine der vorgestellten Methoden und anhängigen Verfahren ist in großflächigen Untersuchungsregionen mit großen Datensätzen perfekt für alle Objekte und Landschaftsformen. Gute Ergebnisse werden für klar definierte Objektgruppen und ausgewählte, spezifische Testregionen erzielt. Durch die Kombination mehrerer Methoden im Methodenmix können die besten Ergebnisse erzielt werden, wenn auch die Genauigkeit der Objekterkennung von mehreren Faktoren abhängt: • von der Art des Untersuchungsobjektes mit scharfen oder unscharfen Grenzen; • von der Gestalt des Objektes mit variabler Form- und Farbgebung; • von den zur Verfügung stehenden Datensätze wie Fotografien oder Laserscans (LiDAR-Daten); • von störenden Hintergründen (sog. Hintergrundrauschen) und dem Kontrast, der Schärfe/Unschärfe, der Kleinteiligkeit oder dem gewählten Ausschnitt in Objektfotografien; • von landschaftstypischen Ausprägungen/Lokalspezifika der Untersuchungsregion, die je nach Anzahl und Form der natürlichen Objekte in den Laserscandaten ein störendes Grundrauschen (Gaußsches Rauschen) bei der Unterscheidung geogener vs. anthropogener Objekte erzeugen. Des Weiteren wird die Genauigkeit der Objekterkennung von der Fragestellung des Projektes, dem anvisierten Zeitplan sowie dem verfügbaren Budget oft erheblich beeinflusst. Methode | Vorteile | Nachteile ---|---|--- _Template Matching_ | – einfach zu implementieren, intuitive Bedienung – gut für einfache Mustererkennung – keine Notwendigkeit für umfangreiche Trainingsdaten – sehr zuverlässig bei bekannten, stabilen Mustern mit geringer Varianz – geringer Rechenaufwand bei kleinen Bildern und einfachen Templates – vorhersagbare Ergebnisse – gut interpretierbar | – empfindlich gegenüber Skalierung, Rotation, Perspektive und Verzerrungen – nur auf vordefinierte Muster anwendbar – schlechte Generalisierung – empfindlich gegenüber Rauschen, Beleuchtungsänderungen und Hintergrundkomplexität – kein Lernen aus Daten – fest codiertes Template erfordert neue Templates bei Variationen – Skalen- und Orientierungsprobleme erhöhen Rechenaufwand – hohe Rechenkosten bei großen Bilddaten _Geospatial Object Based Image Analysis_ | – nutzt objektbasierte Merkmale (Form, Textur, Kontext) statt Pixel-Statistiken – höhere Genauigkeit bei der Klassifizierung von Landnutzung – flexibel in der Anwendung auf verschiedene Datentypen – robust gegenüber Rauschen – berücksichtigt räumliche Beziehungen und Hierarchien (Objekte, Felder, Klassen) – gut geeignet für hochauflösende Fernerkundungsdaten und GIS – kann multiple Informationsquellen, Multispektraldaten und Datenfusion integrieren | – Komplexität in der Implementierung und Analyse – erfordert oft umfangreiche Vorverarbeitung und Segmentierung – abhängig von sorgfältiger Segmentierung – Segmentierungsfehler beeinflussen Ergebnisse stark – hoher manueller Anpassungsbedarf (Regeln, Parameter) und Expertenwissen nötig – Skalierungsprobleme bei großen Gebieten: Klassifikationsergebnisse können bei heterogenen Landschaften schwer interpretierbar sein – hoher Rechenaufwand für große Datensätze _Knowledge based_ | – nutzt Expertenwissen zur Verbesserung der Genauigkeit und explizite Integration von Domänenwissen, Regeln und logischen Beziehungen – kann spezifische Regeln für die Mustererkennung definieren – gut für spezifische Anwendungsfälle, bei denen Regeln klar definiert sind – gute Transparenz und Nachvollziehbarkeit der Entscheidungen – robust in Situationen, in denen Datensätze begrenzt oder stark verzerrt sind – leicht an neue Regeln anpassbar, ohne Modelle neu zu trainieren | – Abhängigkeit von der Verfügbarkeit und Qualität des Expertenwissens – eingeschränkte Flexibilität bei neuen oder unbekannten Mustern – hoher Aufwand für die Erstellung und Pflege der Wissensdatenbank und sehr arbeitsintensiv bei der Erstellung umfassender Regeln und Ontologien – Skalierbarkeit schwierig – Regeln können komplex und widersprüchlich werden – geringe Leistungsfähigkeit bei der Suche von komplexen, variablen Mustern – Schwierigkeiten bei schwer abgrenzbaren Klassen oder der Adaption von neuer Mustern _Machine Learning_ | – kann Muster aus Daten lernen und sich anpassen, statt der Handcodierung – geht flexibel und anpassungsfähig an verschiedene Problemstellungen heran – (Semi-)Automatisierung der Merkmaulauswahl und Merkmalextraktion – kann generalisieren, wenn ausreichende Daten vorhanden sind – weniger Domänen abhängige Kenntnisse bei der Rohdatenaufbereitung (Feature-Engineering) nötig im Vergleich zu rein regelbasierten Ansätzen – gute Balance zwischen Leistung und Interpretierbarkeit (je nach Modell) – vielseitig und geeignet für Struktur- und Texturmerkmale, Funktionsentwicklung möglich | – erfordert große Mengen an Trainingsdaten – kann zu Überanpassung führen, wenn nicht richtig konfiguriert wird oder zu kleine Datensätze zur Verfügung stehen – Interpretierbarkeit der Modelle oft schwierig – Rohdatenaufbereitung zeitaufwendig – Einstellung der festzulegenden Hyperparameter notwendig – nicht immer transparent oder leicht erklärbar _Deep Learning_ | – hohe Genauigkeit bei komplexen Mustererkennungsaufgaben – automatische Merkmalsauswahl/ -abstraktion ohne manuelle Eingriffe – weniger manueller Aufwand bei der Rohdatenaufbereitung – gut geeignet für unstrukturierte Daten wie Bilder und Videos – sehr robust gegenüber Variationen (Beleuchtung, Pose, Hintergrund) bei ausreichend großen Data Sets – skalierbar; kann komplexe Muster lernen (Textur, Form, Kontext) – End-to-End-Lösungen möglich, die jeden Arbeitsschritt von Anfang bis zum Ende abdecken | – benötigt sehr große annotierte Datenmengen und Rechenressourcen, oft teure Datenbeschaffung – lange Trainingszeiten und hohe Anforderungen an die Hardware – hoher Rechenaufwand für Training und Inferenz und meist spezielle Hardware notwendig – weniger transparent; oft schwer zu interpretieren (Black Box), was zu einem Mangel an Vertrauen führen kann – Risiko von Verzerrungen und beeinflussten Ergebnissen, wenn Trainingsdaten voreingenommen (nicht objektiv) sind – Überanpassung möglich, insbesondere bei kleinen Datensätzen oder nicht ausbalancierten Klassen Armin Volkmann Alle Beiträge anzeigen * * * Nur der Text ist unter der Lizenz Creative Commons Namensnennung-Nicht kommerziell-Keine Bearbeitungen 4.0 International nutzbar. Alle anderen Elemente (Abbildungen, importierte Anhänge) sind „Alle Rechte vorbehalten“, sofern nicht anders angegeben. * * * OpenEdition schlägt Ihnen vor, diesen Beitrag wie folgt zu zitieren: Armin Volkmann (3. September 2026). Algorithmische Bildmuster- und Objekterkennung in der Landschaftsarchäologie. _Objekte.Digitalität.Hochschulen_. Abgerufen am 3. September 2026 von https://archdigi.hypotheses.org/2367 * * * * * * * *

In der KI-Entwicklung mutet mich der aktuelle Ansatz in seiner Ähnlichkeit zu „brute-force“-Ansätzen in der naiven Softwareentwicklung ein wenig befremdend an. Wo bleiben die optimierenden Verfahren (wie in der klassischen Algorithmik diverse Sortier-, Suchverfahren oder auch in der Numerik die FFT)? Wo bleiben die problemspezifische Ausprägung von KI-Funktionen? Warum muss eine KI alles können? Und […]

Donald Trump, Russland, Gaza, Krieg, Rente, Wehrpflicht, Stadtbild - diese Themen haben 2025 dominiert: Und das Klima? Haben wir das vergessen?

AlphaEvolve von Google DeepMind bricht 56 Jahre alte Rekorde in der Algorithmik und optimiert Googles Infrastruktur. KI-gestützte Code-Evolution, die wissenschaftliche Entdeckungen beschleunigt und ma...