古文化遗迹承载着人类适应与改造自然的历史，记录着环境演变与人地互动规律，对解析全球气候、环境问题成因，推动社会可持续发展具有重要价值。然而，传统的遗迹调查方式对专家经验具有很大的依赖性，不仅费时费力效率低下，而且存在很大的主观性和偶然性。因此，迫切需要通过新技术的应用，构建一种科学、高效的古代人类遗存识别方法，实现古文化遗存的快速识别与分类。

       本研究以中原地区最普遍的五种古人类活动遗存和三种自然堆积为对象，提出一种Standard Normal Variate Transform（SNV）与 ResNet50 模型相结合的方法，实现了古人类活动遗存光谱的高精度分类。结果显示：（1）基于ResNet50模型的古人类遗存光谱分类精度达到 94.86%，分类效果优于 AlxNet 和 MobileNetV2 ；（2）基于 SNV 结合 ResNet50 模型的分类精度为 96.60%，经SNV处理后的光谱可以很好的提升模型分类准确率；（3）不同量级的人类遗存光谱图像样本下 ResNet50 网络模型都有较高的分类精度，较好适用于小样本情况下的遗迹高精度分类需求。通过引入 SNV ，使得 ResNet50 模型表现出值得称赞的分类准确率，显示了 SNV+ResNet50 模型在解决古人类遗存分类方面的优越性，该工作为通过可见-近红外光谱快速、精确地识别古人类遗迹提供了一种开创性的有效方法。

       本研究所构建的中原地区古代人类遗存光谱图像数据集不仅有效避免了在考古调查和考古发掘过程中进行遗迹识别时对个人经验和主观意识的过度依赖，而且更是一种重要的文化遗产数据，可为未来更加深入的科学研究提供基础数据。

       该研究成果发表于Nature旗下期刊《npj Heritage Science》，论文以河南省科学院地理研究所为第一署名单位，第一作者为罗镕基，通讯作者为鲁鹏研究员和陈盼盼副研究员。

       本研究得到以下项目的共同支持：河南省科技攻关项目（252102320284，242102321146）、国家自然科学基金项目（41971016）、河南省科学院指导项目（20251801000）、国家社会科学基金项目（24&ZD034）、河南省科学院创新团队项目（20230103）、河南省科学院基本科研费项目（20250601010）、河南省科学院科研启动经费项目（241801098）、河南省杰出外籍科学家工作室（GZS2026017）。

论文信息：

Luo, R., Chen, P., Wang, H. et al. Enhancing ancient human ruins classification with residual neural networks using visible near-infrared spectra. npj Herit. Sci. 14, 284 (2026).

论文链接：

https://doi.org/10.1038/s40494-026-02564-x

图1 研究区与遗址分布

图2 古代人类遗迹光谱矩阵图像数据集

图3 Resnet50模型网络结构。(a) ResNet50模型的示意图；(b) ResNet50残差结构。

图4 SNV +ResNet50模型的混淆矩阵。

撰稿：罗镕基

初审：任   杰

复审：杜   军

终审：鲁   鹏