S'abonner

L’identification des aménagements funéraires du Fadnoun dans le Sahara central en Algérie par l’utilisation de l’apprentissage profond et les outils de la géomatique - 09/01/25

Identification of Fadnoun funeral arrangements in the Algerian Central Sahara by geomatics and deep learning

Doi : 10.1016/j.anthro.2024.103333 
Saida Meftah , Nadhira Attalah
 École normale supérieure d’enseignement de Bouzaréah, laboratoire d’histoire, civilisation et géographie appliquée, 93, Ali Ramly Street, Bouzareah, Algérie 

Auteur correspondant.
Sous presse. Épreuves corrigées par l'auteur. Disponible en ligne depuis le Thursday 09 January 2025

Résumé

La recherche sur les aménagements funéraires dans la région de Fadnoun, au cœur du Sahara central, vise à explorer et à documenter des sites funéraires préhistoriques souvent inaccessibles en raison des conditions extrêmes du désert. En utilisant des technologies modernes comme les images satellites et la télédétection, cette initiative vise à mettre en lumière d’anciennes structures funéraires et à approfondir notre compréhension des pratiques funéraires dans cette région. Cette étude vise à approfondir les connaissances sur les aménagements funéraires du Tassili de Fadnoun en utilisant des réseaux de neurones convolutifs pour détecter des monticules archéologiques en forme de trou de serrure. Les objectifs incluent la localisation et l’analyse des structures funéraires anciennes, grâce à des images satellites à haute résolution, le développement d’un modèle de réseau neuronal pour reconnaître et classer ces monticules, et la contribution à la bonne documentation du patrimoine culturel en fournissant des données précises sur les sites funéraires. Une méthodologie combinant techniques archéologiques traditionnelles et outils numériques a été mise en place pour détecter des monticules à Fadnoun. Les étapes clés incluent la collecte d’images satellites, l’annotation des données, le développement d’un modèle de réseau neuronal et la validation des résultats par comparaison avec des études antérieures. Les résultats préliminaires montrent que l’utilisation de réseaux de neurones convolutifs a permis d’identifier de nouveaux monticules archéologiques dans la région de Fadnoun, révélant des pratiques funéraires inédites. L’intégration de la télédétection avec des méthodes traditionnelles s’est avérée efficace pour localiser des sites difficiles d’accès, renforçant ainsi la bonne documentation du patrimoine culturel. Cette recherche vise à améliorer notre connaissance des civilisations du Sahara central en documentant mieux le patrimoine culturel et en utilisant des réseaux de neurones convolutifs pour détecter des monticules archéologiques. Les résultats montrent une efficacité accrue dans l’identification de ces sites grâce à l’analyse d’images satellites à haute résolution.

Le texte complet de cet article est disponible en PDF.

Abstract

The research on funerary arrangements in the Fadnoun region, located in the heart of the Central Sahara, aims to explore and document prehistorical burial sites that are often inaccessible due to the extreme conditions of the desert. By utilizing modern technologies such as satellite imagery and remote sensing, this initiative seeks to shed light on ancient funerary structures and deepen our understanding of burial practices in this region. This study aims to enhance knowledge about the funerary arrangements of the Tassili of Fadnoun by employing convolutional neural networks to detect archaeological mounds shaped like keyholes. The objectives include locating and analyzing ancient funerary structures through high-resolution satellite images, developing a neural network model to recognize and classify these mounds, and contributing to the good documentation of cultural heritage by providing accurate data on burial sites. Preliminary results show that the use of convolutional neural networks has enabled the identification of new archaeological mounds in the Fadnoun region, revealing unprecedented funerary practices. The integration of remote sensing with traditional methods has proven effective in locating hard-to-access sites, thereby enhancing the good documentation of cultural heritage. This research aims to improve our understanding of the civilizations of the central Sahara and better document cultural heritage by using convolutional neural networks to detect archaeological mounds. The results demonstrate increased efficiency in identifying these sites through the analysis of high-resolution satellite images.

Le texte complet de cet article est disponible en PDF.

Mots clés : Aménagement, Funéraire, Télédétection, Monuments, Trou de serrure, L’apprentissage profond

Keywords : Arrangement, Funerary, Remote sensing, Keyhole, Monuments, Deep learning


Plan


© 2024  Elsevier Masson SAS. Tous droits réservés.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

Déjà abonné à cette revue ?

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.


Tout le contenu de ce site: Copyright © 2025 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.