SATELLITENGESTÜTZTE ARCHÄOLOGISCHE ENTDECKUNG

Wir sehen die Geschichte unter der Erde aus dem All.

ARGEOS ist eine durch Deep Learning angetriebene Entdeckungsplattform, die unentdeckte antike Siedlungen, Hügel und Ruinen identifiziert, indem sie Satellitenbilder mit einer Bibliothek archäologischer Referenzstrukturen vergleicht.

Frühzugang beantragen System erkunden

1.484 Referenzstrukturen

2.300+ Erkannte Kandidaten

7,67 Gescannte Fläche (km²)

≥ 78% Klassifikationsgenauigkeit

// FEATURES

Jenseits der Kapazität einer einzelnen Forscherin.

ARGEOS ist eine Kommandozentrale, die Feldarbeit von Tagen auf Stunden komprimiert. Die folgenden Funktionen laufen aktuell im Produktivbetrieb.

Live-Kommandozentrale

Überwachen Sie aktive Scans, Zellen pro Sekunde, verbleibende Zeit und letzten Score auf einem Bildschirm. Der Worker-Prozess heilt sich bei Unterbrechungen selbst.

Geografische Grenze + KML

Laden Sie KML/KMZ aus Google Earth hoch oder zeichnen Sie ein Polygon auf der Karte — der Scan überschreitet diese Grenzen nie.

Bibliothek der Referenzbilder

Erstellen Sie ein Referenzset aus bekannten Hügeln, Burgen, Klöstern und Ruinen. Das System lernt diese Motive und nutzt sie bei der Suche.

Gitterscan über Satellitenbildern

Das Gebiet wird in präzise Gitterzellen unterteilt. Jede Zelle wird einzeln gegen hochauflösende Satellitenbilder analysiert.

Wiederherstellung unterbrochener Scans

Auch nach Stromausfall, Abbruch oder Systemfehler werden Scans fortgesetzt — keine erkannten Pins gehen verloren.

3D-Validierung: Bild + DEM

Für jeden Kandidaten: passende Referenz · hochauflösendes Satellitendetail · echtes SRTM/ASTER-Höhenmodell (DEM). Topografische Prüfung mit einem Klick.

Echtzeit-Benachrichtigungen

Erhalten Sie eine sofortige Benachrichtigung, sobald ein Kandidat mit hoher Konfidenz erkannt wird. Jeder Fund wird mit Pin-Nummer und Score protokolliert.

KML-Export + Feldvalidierung

Laden Sie Kandidaten als KML herunter, kompatibel mit Google Earth/QGIS. Ihr Feldteam erhält die Koordinaten direkt.

// IN ACTION

Fallstudie: Anatolische Hügel des mittleren Pliozäns

In einem 7,67 km² großen Testgebiet im Korridor Konya–Karaman wurden 1.199 Gitterzellen gescannt. In ca. 5 Stunden wurden über 10 hochkonfidente Kandidatenstrukturen identifiziert — die Mehrheit davon Hügelkandidaten, die in der bekannten Literatur fehlen.

Dashboard

Echtzeit-Systemstatus, aktive Scans und Live-Metriken.

Kartenübersicht

Gitterscan über hochauflösenden Satellitenbildern.

Referenzbibliothek

Trainierte Strukturkataloge — kategorische Klassifikation.

Regionsdefinition

KML-Upload oder Polygonzeichnung auf der Karte.

Scan-Wiederherstellung

Fortschritt bleibt bei Unterbrechung erhalten; mit einem Klick fortsetzen oder löschen.

Dreifachvalidierung

Referenz · Satellitendetail · DEM-Höhenmodell nebeneinander.

Live-Benachrichtigungen

Sofortige Warnung für jeden hochbewerteten Fund.

Kandidaten-Pin-Verwaltung

Annahme/Ablehnungs-Workflow, Filter und KML-Export.

// PIPELINE

Funktionsweise

Der Lebenszyklus wird in vier Schritten zusammengefasst; im Hintergrund arbeiten Vision-Language-Modelle, klassische Computer Vision und Geodatenanalyse zusammen.

1. Referenztraining

Aus Bildern bekannter archäologischer Strukturen werden mehrkanalige Merkmalsvektoren extrahiert (Farbe, Textur, Kante, semantisches Embedding).

2. Grenzdefinition

Das Forschungsgebiet wird per KML oder Polygon festgelegt; das System unterteilt es in Millionen meterskaliger Zellen.

3. Satelliten-Scan

Für jede Zelle wird ein hochauflösendes Satellitenbild abgerufen, mit Referenzen verglichen und ein Konfidenzscore erzeugt.

4. Kandidatenvalidierung

Zellen über dem Schwellenwert werden gepinnt; Experten validieren mit Satellitenbild, DEM-Höhenmodell und passender Referenz.

// FOUNDATIONS

Wissenschaftliche Grundlage

ARGEOS kombiniert Verfahren aus der offenen Literatur in einer Produktionspipeline. Welche Modelle wir verwenden, ist proprietär; wie wir sie kombinieren, ist wissenschaftlich.

Mehrkanalige Merkmalsextraktion

Histogramm, Textur (LBP), Form (HOG), Keypoint-Deskriptoren und moderne Deep-Learning-Bildembeddings arbeiten zusammen.

Geo-Index & gekachelte Mosaike

Ein dynamischer Tile-Cache mit Web-Mercator-Projektion liefert hochauflösendes Bildmaterial pro Zelle.

DEM-Topografieanalyse

Offene Höhendaten (Terrarium/SRTM/ASTER) werden um den Pin mit Schummerung und Farbkarte visualisiert.

NMS & Score-Schwelle

Non-Maximum Suppression entfernt Duplikate aus benachbarten Zellen; nur der beste Kandidat erreicht den Experten.