KI in der Archäologie: Chancen, Fehler und Verantwortung

Kurz erklärt

Künstliche Intelligenz, insbesondere maschinelles Lernen zur Mustererkennung in Satelliten- und Luftbildern, hat der Archäologie in den letzten Jahren neue Möglichkeiten eröffnet: von der automatisierten Entdeckung bislang unbekannter Fundorte über die Digitalisierung unentzifferter Schriftzeichen bis zur Überwachung gefährdeter Stätten gegen Plünderung. Zugleich bringt der Einsatz solcher Systeme spezifische Risiken mit sich — allen voran Fehlalarme, verzerrte Trainingsdaten und die Frage, wer für automatisiert erzeugte Entdeckungen fachlich verantwortlich zeichnet.

Mustererkennung in großem Maßstab

Der größte Vorteil von KI-Systemen liegt in ihrer Fähigkeit, riesige Mengen an Satelliten- oder Drohnenbildmaterial systematisch nach wiederkehrenden Mustern zu durchsuchen — eine Aufgabe, die für menschliche Betrachter:innen bei landesweiten oder gar kontinentweiten Datenmengen praktisch nicht mehr zu bewältigen ist. Ein Beispiel ist die 2024/2025 durchgeführte KI-gestützte Untersuchung der Nazca-Wüste, die mithilfe von Drohnenbildern und maschinellem Lernen innerhalb weniger Monate über 300 zuvor unbekannte Geoglyphen identifizierte und damit die bekannte Gesamtzahl figürlicher Darstellungen nahezu verdoppelte.

Fernerkundung und Fundschutz

KI-gestützte Bildanalyse spielt eine zunehmend wichtige Rolle beim Schutz gefährdeter archäologischer Stätten. Systeme, die Satellitenbild-Zeitreihen automatisiert auf Veränderungen wie neu aufgeworfene Erdlöcher untersuchen, wurden unter anderem für Fundorte in Afghanistan, dem Nahen Osten und Ägypten entwickelt, um Plünderungsschäden frühzeitig zu erkennen, ohne dass menschliche Fachkräfte jedes Einzelbild manuell durchsehen müssen. Solche Systeme ermöglichen es, große Landesflächen kontinuierlich zu überwachen und Plünderungs-Hotspots gezielt zu identifizieren, statt auf zufällige Entdeckung oder aufwendige, teils gefährliche Feldbegehungen angewiesen zu sein.

Trainingsdaten und ihre Grenzen

KI-Systeme lernen aus Beispieldaten, und die Qualität dieser Trainingsdaten bestimmt maßgeblich die Zuverlässigkeit der Ergebnisse. Ein dokumentiertes Problem bei der Plünderungserkennung ist die vergleichsweise geringe Menge verfügbarer, zuverlässig dokumentierter Trainingsbeispiele: Ein System, das an Fundorten einer bestimmten Region trainiert wurde, lässt sich nicht ohne Weiteres auf strukturell andersartige Landschaften oder Bauformen übertragen, ohne dass seine Zuverlässigkeit erneut geprüft werden müsste.

Fehlalarme

Jedes automatisierte Erkennungssystem produziert neben echten Treffern auch Fehlalarme — vermeintliche archäologische Signale, die sich bei näherer Prüfung als natürliche Formationen oder moderne Störungen erweisen. Eine niedrige Fehlalarmrate ist dabei praktisch entscheidend: Jeder Fehlalarm bindet begrenzte Ressourcen für aufwendige, oft kostspielige Vor-Ort-Überprüfungen. Fachlich anerkannte Systeme werden deshalb explizit auch anhand ihrer Fehlalarmrate bewertet, nicht nur anhand der Anzahl korrekt erkannter echter Fundorte.

Verantwortung: KI schlägt vor, Menschen entscheiden

Ein KI-System kann auffällige Muster identifizieren und priorisieren, ersetzt aber nicht die fachliche Prüfung durch qualifizierte Archäolog:innen vor Ort. Jeder automatisiert erzeugte Fundvorschlag muss durch menschliche Fachkräfte bestätigt werden, bevor er als tatsächlicher archäologischer Befund gilt — genau wie die Nazca-Studie ihre KI-Funde durch anschließende Feldüberprüfung absicherte. Diese Rollenaufteilung entspricht dem allgemeinen Grundsatz, dass Technologie in der Archäologie Werkzeuge liefert, aber niemals selbst die fachliche Deutungshoheit übernimmt.

Ein konkretes Anwendungsbeispiel

Bei der Nazca-Untersuchung kombinierte das Forschungsteam niedrig fliegende Drohnenaufnahmen mit maschinellem Lernen, um Kandidatenflächen für mögliche neue Geoglyphen zu identifizieren; anschließend überprüften menschliche Fachleute diese Kandidaten im Gelände, bevor sie als bestätigte neue Funde galten. Diese zweistufige Vorgehensweise — KI-gestützte Vorauswahl, menschliche Bestätigung — gilt als vorbildlich für den verantwortungsvollen Einsatz von KI in der Archäologie.

Offene Fragen

• Wie lässt sich die Übertragbarkeit KI-gestützter Erkennungssysteme auf strukturell unterschiedliche Landschaften und Kulturen verbessern?
• Welche Mindeststandards sollten für die menschliche Überprüfung KI-generierter Fundvorschläge gelten?
• Wie lässt sich verhindern, dass durch KI entdeckte, aber noch nicht gesicherte Fundorte selbst zum Ziel von Plünderung werden, bevor ihr Schutz organisiert ist?

Quellen und Weiterlesen

1. arXiv, „Detecting Looted Archaeological Sites from Satellite Image Time Series” — zentrale Quelle für den DAFA-LS-Datensatz, die Bedeutung niedriger Fehlalarmraten und methodische Grenzen bei begrenzten Trainingsdaten.
2. Frontiers, „Algorithmic Identification of Looted Archaeological Sites from Space” — Grundlage für ein konkretes Fallbeispiel aus Ägypten sowie das Konzept menschlicher Bestätigung bei Label-Änderungen.
3. SciTechDaily, „Discovering Hidden Archaeological Sites With AI and Satellite Images” — Grundlage für das „Cultural Landscapes Scanner”-Projekt und die Verbindung von KI-gestützter Entdeckung mit Fundschutz.
4. Journal of Computer Applications in Archaeology, „Interferometric SAR and Machine Learning” — Grundlage für die Diskussion begrenzter Trainingsdatenmengen und eingeschränkter Übertragbarkeit zwischen Regionen.
5. Anchise.eu, „Preserving our past: remote site monitoring to prevent looting” — Grundlage für die Kombination verschiedener Fernerkundungstechniken (Photogrammetrie, LiDAR, Satellitenbilder) mit KI-Auswertung.
6. Bereits für O07 (Nazca-Linien) recherchierte Quellen — Grundlage für das konkrete Anwendungsbeispiel der KI-gestützten Geoglyphen-Entdeckung 2024/2025.