New methodologies for the taphonomic study of bone surface modifications: applications to the Pleistocene fossil record of Olduvai Gorge (FLK North) through the integration of experimental archaeology and artificial intelligence
- Autores: Gabriel Cifuentes Alcobendas
- Directores de la Tesis: Manuel Domínguez Rodrigo (dir. tes.), Aimée Little (dir. tes.)
- Lectura: En la Universidad de Alcalá ( España ) en 2025
- Idioma: inglés
- Número de páginas: 839
- Títulos paralelos:
- Nuevas metodologías para el estudio tafonómico de las alteraciones de la superficie ósea: aplicaciones al registro fósil del Pleistoceno de la Garganta de Olduvai (FLK North) mediante la integración de arqueología experimental e inteligencia artificial
- Tribunal Calificador de la Tesis: Manuel Alcaraz Castaño (presid.)
- Programa de doctorado: Programa de Doctorado en Historia, Cultura y Pensamiento por la Universidad de Alcalá
- Materias:
- Enlaces
- Tesis en acceso abierto en: e_Buah
- Resumen
- español
Las modificaciones de la superficie ósea (MSO) desempeñan un papel crucial en los estudios tafonómicos. Esto se debe a la conexión inherente que existe entre las marcas tafonómicas y el evento o agentes que las generaron. Las MSO pueden ser de gran ayuda para comprender la historia tafonómica de sitios arqueológicos complejos, como los palimpsestos paleolíticos. Sin embargo, las MSO pueden ser significativamente alteradas por procesos post-deposicionales y, a menudo, las marcas generadas por procesos tafonómicos diferentes pueden compartir una notable similitud. Diversos debates académicos han surgido a partir de la dificultad para asociar con precisión una marca con su proceso causal. Recientemente, se han utilizado aplicaciones de Inteligencia Artificial y Visión Computarizada para elevadas precisiones de clasificación que incluso pueden superar a los analistas humanos en ciertas tareas. En este contexto, los modelos computacionales que mejoran la fiabilidad de la clasificación de las MSO podrían convertirse en una herramienta inestimable para los tafónomos.
Este estudio demuestra el potencial de las Redes Neuronales Convolucionales (RNC) para cumplir tal papel. A pesar de que se necesitan algunos ajustes para adaptarse mejor a los materiales arqueológicos, las RNC han mostrado resultados satisfactorios en la clasificación de MSO en elementos fósiles de aproximadamente 1.785 millones de años. Abordar las dificultades identificadas en este estudio podría mejorar la objetividad y la replicabilidad de la clasificación de las MSO en diversos contextos arqueológicos.
En este estudio, se produjo un conjunto de datos de casi 7.000 imágenes de MSO pertenecientes a 16 diferentes grupos tafonómicos, lo que marca un avance significativo en la aplicación de las RNC en estudios tafonómicos. Además, el conjunto de datos producido puede usarse para explorar más a fondo ciertas características de estos tipos específicos de modificaciones. Por ejemplo, la morfología de las marcas de corte está correlacionada con variables como la morfología del filo de la herramienta; el material con el que está hecha la herramienta; la angulación entre el filo de la herramienta y la superficie ósea; o la abrasión de dicho filo. Igualmente, la morfología de las marcas de pisoteo está altamente correlacionada con el tamaño de los granos de sedimento; su angularidad; 8 y la duración de la exposición al proceso. Además, se obtuvieron mediciones de ancho de estas MSO (pisoteo y marcas de corte) para ser utilizadas en trabajos futuros que busquen describir de manera más completa tales modificaciones tafonómicas. Por último, los experimentos realizados también arrojaron información sobre la potencial semejanza de marcas tafonómicas, tales como las fosas producidas por compresión sedimentaria, que se asemejan a las modificaciones producidas por carnívoros. Estos hallazgos pueden servir para guiar futuras investigaciones experimentales sobre el siempre creciente tema de la equifinalidad tafonómica. El estudio desarrolla un flujo de trabajo optimizado para usar RNC en tareas de clasificación de MSO, enfatizando la importancia del aumento de color para evitar la fuga de datos (data leakage) basada en color. Aunque el aprendizaje por transferencia (transfer learning) no superó al entrenamiento normal, este método tiene potencial para futuras investigaciones realizadas en conjuntos de datos más pequeños y con datos de dominios semejantes.
Las RNC han demostrado un rendimiento excepcional con MSO generadas experimentalmente, aunque su aplicación a imágenes arqueológicas fuertemente alteradas sigue siendo un desafío. El estudio confirma la validez del método, pero llama a la cautela a la hora de considerar su funcionamiento. Entre las áreas destacadas para mejorar, la baja similitud entre las imágenes experimentales y arqueológicas es la más relevante. No obstante, esto se podría mejorar a través de programas experimentales exhaustivos o de la posible integración de RNC 3D. Los esfuerzos colaborativos en la investigación también tienen el potencial de expandir la base de datos tafonómica, mejorando así la utilidad del método.
En conclusión, este estudio establece las bases metodológicas para el uso de algoritmos RNC con datos de MSO, confirmando la validez del método mientras también se reconoce la necesidad optimizarlo para contextos arqueológicos. El trabajo aquí realizado servirá de base para futuros estudios que busquen abordar los desafíos encontrados, posicionando así a esta nueva metodología como una herramienta valiosa para arqueólogos y tafónomos por igual.
- English
Bone Surface Modifications (BSMs) play a crucial role in taphonomic studies. This is due to the inherent connection that exists between taphonomic marks and the event or agents that generated them. BSMs can be of great help in understanding the taphonomic history of complex archaeological sites, such as Palaeolithic palimpsests. However, BSMs can be significantly altered by postdepositional processes and often marks generated by distinctly different processes can share a striking similarity. Several scholar debates have emerged originating from this difficulty to accurately associate a mark with its causal process. Recently, Artificial Intelligence and Computer Vision applications have been used to obtain extraordinary classification accuracies that can even outperform human analysts in certain tasks. In this context, computational models that enhance the reliability of BSM classification could become an invaluable tool for taphonomists.
This study demonstrates the potential of Convolutional Neural Networks (CNNs) to fulfil this role. Despite the need for some adjustments to better suit archaeological materials, CNNs have shown satisfying results in classifying BSMs on fossil elements approximately 1.785 million years old. Addressing the identified pitfalls could further enhance the objectivity and replicability of BSM classification across various archaeological contexts.
In this study, a dataset of nearly 7,000 BSM images from 16 different taphonomic groups was produced, marking a significant advancement in CNN application in taphonomic studies. Moreover, the produced dataset can be used to further explore the characteristics of these specific types of modifications. For instance, cut-mark morphology is correlated with variables such as tool edge morphology; raw material; angulation between the tool’s edge and the bone surface; or edge attrition. Similarly, trampling morphology is greatly correlated with the size of sediment grains; their angularity; and the duration of the exposure to the process.
Moreover, width measurements of these BSMs (trampling and cut-marks) were also obtained to be used by future works aiming to more comprehensively describe these taphonomic modifications. Lastly, the undertaken experiments also yielded insights into taphonomic mimicry, such as sediment-induced compression pits resembling carnivore modifications. These findings can serve to guide future experimental on the ever-growing topic of taphonomic equifinality.
The study developed an optimised workflow for using CNNs in BSM classification tasks, emphasizing the importance of colour augmentation to avoid colour-based data leakage. While transfer learning did not outperform normal training, it holds potential for future research conducted on smaller, domain-specific, datasets.
CNNs have demonstrated exceptional performance with experimentally generated BSMs, though their application to heavily modified archaeological images remains challenging. The study confirms the method's validity yet cautions against overconfident approaches. Among the highlighted areas for improvement, the low similarity between experimental and archaeological images is the most relevant. Nevertheless, it could be improved through comprehensive experimental programs and potential integration of 3D CNNs. Collaborative efforts also have the potential to expand the taphonomic database and further enhance the method’s utility.
In conclusion, this study establishes the methodological foundations for using CNN algorithms with BSM data, confirming the method's validity while acknowledging the need for optimization in archaeological contexts. The groundwork laid here will support future studies aimed at addressing the highlighted challenges, positioning this new methodology as a valuable tool for archaeologists and taphonomists alike.
- español
