From Discovery to Insight: Challenges and Opportunities of Computational Archaeology Based on Experiences from the Second Season of Mariwan Archaeological Surveys

Subject Areas : Interdisciplinary studies

Samran Asiabani ¹ , Nemat Hariri ² , Mohammad Masoumian ³ , Mojgan Saif Panahi ⁴ , Fateh Zarefar ⁵

1 - M.A. in Architecture, Bu-Ali Sina University.
2 - Department of Geology, Faculty of Geology, University of Tehran.
3 - Department of Archaeology, University of Kurdistan, Iran.
4 - Archeology expert of the General Department of Cultural Heritage, Handicrafts and Tourism of Kurdistan Province
5 - PhD Candidate in Prehistoric Archaeology, University of Tehran.

Received: 2025-06-02 Accepted : 2025-08-02 Published : 2025-08-22

Keywords: Archaeologic Survey, Data Management, Remote Sensing, Zagros Mountain,

Abstract :

The novelty of archaeology as a discipline, compared to other sciences, and the multidimensionality of its issues have created fertile ground for integrating and utilizing other sciences. This trend is evident across various branches and emerging approaches within archaeology. Almost all archaeological fields are engaged in a shared pursuit of applying data science techniques and concepts. This widespread interest stems from recent advancements and achievements by pioneers who have managed to solve archaeological problems once considered highly complex or even impossible. However, employing such methods in archaeological studies requires preparations and necessary actions already during the fieldwork phase of projects. The multitude of archaeological challenges, the uniqueness of fieldwork, and the non-reproducibility of field activities pose significant difficulties for most research projects. Obtaining non-processable, incomplete, inconsistent, costly, or error-prone data — and sometimes outright incorrect data — represents just part of the challenges archaeologists face. Although these issues arise during the fieldwork stage, they often remain hidden within spreadsheets and datasets, only becoming apparent later during post-survey analysis. At the root of many of these problems lies the varying interpretation of the concept and nature of “data.” Ideally, an archaeologist would record and document all available evidence, reconstructing a digital replica of the original remains. However, in theoretical terms, the amount of obtainable data from any artifact is infinite, while archaeological projects are bound by strict time constraints. As a result, it becomes impossible to register and document all possible data related to archaeological finds. Consequently, most archaeological projects are inevitably forced to overlook a significant portion of the data related to the artifacts they encounter. These challenges, among many others, were addressed to the best of our ability during the second season of the Mariwan Archaeological Surveys.

References:

حریری، نعمت، رضالو، رضا، جوانمردزاده، اردشیر، حیدری‌گوران، سامان (۱۴۰۱). پژوهش‌های سنجه‌پذیر در باستان‌شناسی محیطی دوره‌ پلیستوسن (تعاریف، کاربرد و ضرورت‌ها برای فلات ایران). پیام باستان‌شناس، ۱۴(۲۶)، ۱۲۳-۱۵۶.#
معصومیان، محمد، حریری، نعمت (۱۴۰۲). گزارش فصل دوم بررسی باستان‌شناسی تکمیلی شهرستان مریوان، تابستان ۱۴۰۲، جلد دوم، آرشیو سازمان میراث فرهنگی، صنایع دستی و گردشگری استان کردستان و پژوهشکده باستان‌شناسی، منتشر نشده.#

Bollwerk, E., Gupta, N., & Smith, J. (2024). A systems-thinking model of data management and use in US archaeology. Advances in Archaeological Practice, 12(1), 53–59. https://doi.org/10.1017/aap.2023.41#
Heilen, M., & Manney, S. A. (2023). Refining archaeological data collection and management. Advances in Archaeological Practice, 11(1), 1–10. https://doi.org/10.1017/aap.2022.41#
Joseph, N., Green, D., Cosmas, J., & Itegaki, T. (2004). Replication in archaeological information systems. (No publication information available)#
Kansa, E., & Kansa, S. W. (2021a). Digital data and data literacy in archaeology now and in the new decade. Advances in Archaeological Practice, 9(1), 81–85. https://doi.org/10.1017/aap.2020.55#
Kansa, E., & Kansa, S. W. (2021b). Digital data and data literacy in archaeology now and in the new decade. Advances in Archaeological Practice, 9(1), 81–85. https://doi.org/10.1017/aap.2020.55#
Renfrew, C., & Bahn, P. (2012). Archaeology: Theories, methods, and practice. (6th ed.). Thames & Hudson.#
Richards, J. D., Jakobsson, U., Novák, D., Štular, B., & Wright, H. (2021). Digital archiving in archaeology: The state of the art. Introduction. Internet Archaeology. https://doi.org/10.11141/ia.58.23#
Rivers Cofield, S., Childs, S. T., & Majewski, T. (2024). A survey of how archaeological repositories are managing digital associated records and data: A byte of the reality sandwich. Advances in Archaeological Practice, 12(1), 20–33. https://doi.org/10.1017/aap.2023.29#

Full-Text:



1                    از یافته تا دریافت؛ چالش‌ها و فرصت‌های باستان‌شناسی رایانشی بر اساس تجربیات فصل دوم بررسی‌های باستان‌شناسی مریوان

پیام باستان‌شناس شاپا چاپی: ۴۲۸۵-۲۰۰۸ شاپا الکترونیکی: 9886-2980 دورة ۱۷، شمارة ۳۲، بهار و تابستان ۱۴۰۴

از یافته تا دریافت؛ چالش‌ها و فرصت‌های باستان‌شناسی رایانشی بر اساس تجربیات فصل دوم بررسی‌های باستان‌شناسی مریوان 

سامران آسیابانی۱، نعمت حریری۲، محمد معصومیان۳، مژگان سیف‌پناهی۴، فاتح زارع‌فر۵

۱ دانش‌آموخته کارشناسی ارشد معماری، دانشگاه بوعلی سینا. نویسنده مسئول: [e-mail]

۲ پژوهشگر پسادکتری باستان‌زمین‌شناسی، دانشکده زمین‌شناسی، دانشگاه تهران.

۳ دانش‌آموخته دکتری باستان‌شناسی، دانشگاه تهران.

۴ کارشناس باستان شناسی، اداره کل میراث فرهنگی، گردشگری و صنایع دستی استان کردستان.

5 دانشجوی دکتری باستان‌شناسی پیش از تاریخ، دانشگاه تهران.

 

چکیده		اطلاعات مقاله:
باستان‌شناسی به‌دلیل نوپایی و ماهیت چندرشته‌ای خود، زمینه‌ای مناسب برای بهره‌گیری از علوم دیگر، به‌ویژه علم داده، فراهم آورده است. تمایل گسترده به استفاده از مفاهیم و تکنیک‌های داده‌محور در شاخه‌های مختلف باستان‌شناسی، ناشی از دستاوردهای چشمگیر این رویکرد در حل مسائل پیچیده گذشته است. بااین‌حال، اجرای مؤثر این رویکرد مستلزم پیش‌بینی‌های دقیق در مراحل میدانی پروژه‌هاست. ویژگی‌های منحصربه‌فرد هر محوطه، محدودیت زمان، و غیرقابل‌تکرار بودن فعالیت‌های میدانی، چالش‌هایی جدی ایجاد کرده‌اند؛ از جمله تولید داده‌های ناقص، غیرقابل‌پردازش یا دارای خطا. این مشکلات اغلب در مراحل بعدی مطالعاتی آشکار می‌شوند، حال آن‌که منشأ آن‌ها به تفاوت در درک «داده» بازمی‌گردد. در حالت ایده‌آل، باستان‌شناس باید بتواند تمامی اطلاعات مربوط به یک یافته را ثبت کند؛ اما از آنجا که داده‌های قابل استخراج از هر ابژه بی‌نهایت است و زمان پروژه‌ها محدود، ناگزیر بخش عمده‌ای از داده‌ها نادیده گرفته می‌شود. مقاله حاضر که حاصل بررسی‌های فصل دوم پروژه باستان‌شناسی مریوان است، با تمرکز بر این چالش‌ها، آن‌ها را به‌ترتیب زمانی تحلیل کرده و راه‌حل‌های فنی برای کاهش پیامدهای منفی آن‌ها پیشنهاد می‌کند.		تاریخ‌ها: دریافت: ۱۲/۰۳/۱۴۰۴ پذیرش: ۱۱/۰۵/۱۴۰۴
		واژگان کلیدی: بررسی باستان‌شناسی مدیریت داده سنجش‌ازدور زاگرس

 

 

 

 

 

مقدمه

پژوهش‌گران در حالت کلی داده‌ها¹ (شواهد) را جمع‌آوری می‌کنند، آزمایش‌ها را انجام می‌دهند، فرضیه‌ای را فرموله می‌کنند (گزاره‌ای برای توضیح داده‌ها)، فرضیه را در برابر داده‌های بیشتر آزمایش می‌کنند، و سپس در نتیجه یک مدل ابداع می‌کنند (توضیحی که به نظر می‌رسد بهترین برای خلاصه کردن الگوی مشاهده‌شده در داده‌ها باشد). باستان‌شناسی هم به مثابه یک علم سنجه‌پذیر (حریری و همکاران، ۱۴۰۰) شامل جمع‌آوری داده‌، انجام آزمایش‌ها و فرمول‌بندی فرضیه‌ها است. با این حال، برخلاف تاریخ مکتوب، مطالبی که باستان‌شناسان پیدا می‌کنند مستقیماً به ما نمی‌گوید که چه فکر کنیم. باستان­شناسان به‌عنوان مفسر باید این اکتشافات را برای ساختن تصویری از گذشته معنا کنند؛ از این حیث، عمل باستان‌شناس مانند دانشمند است. باستان‌شناس باید تصویری از گذشته ایجاد کند، همان‌طور که دانشمند باید دیدی منسجم از جهان طبیعی ایجاد کند (Renfrew, 2012: 13). در این توصیف نقش داده به‌عنوان نقطه آغاز کار باستان‌شناس از لحاظ کمیت و کیفیت با دهه‌های اخیر تفاوت دارد؛ داده دیجیتال امروزه به‌وسیله تجهیزات و منابع مختلف و در اشکال مختلف به‌دست می‌آید (Heilen & Manney, 2023: 2) و از لحاظ ماهوی با ثبت مشاهدات برای به خاطر آوردن آن در آینده متفاوت است (Rivers Cofield et al., 2024).

     چالش‌های مرتبط با درک و استفاده از داده‌های دیجیتال به اندازه زمینه­های دیگر مطالعات باستان‌شناسی، مطالعاتی درخور توجه هستند. به همین دلیل، مدیریت داده نمی‌تواند به‌عنوان یک مسئله ساده یا فنی در نظر گرفته شود (Kansa & Kansa, 2021a). اگر به نتایج پژوهش‌های دهۀ اخیر نگاهی بیندازیم، کم‌تر پیش می‌آید پژوهشی بیابیم که از تکنیک‌های علم داده² در مستند‌نگاری یا نتیجه‌گیری استفاده نکرده باشد. همین امر از اقبال و کارایی این روش‌ها در میان متخصصان این رشته حکایت دارد و از طرفی متذکر این است که در این دوره خاص اکثر نتایج مورد پذیرش نتایجی هستند که برآمده از داده بوده یا توسط میزان قابل‌توجهی از داده پشتیبانی ‌شوند³. با پذیرش این دیدگاه روش کار باستان‌شناسان از ابتدای تصمیم‌گیری برای شروع پروژه تغییر خواهد کرد؛ از این دسته تغییرات مهم تمایل به گردآوری داده وسیع‌تر و متنوع‌تر و همچنین مستند‌نگاری به نحوی است که با زبان ماشین نیز قابل خوانش باشد تا بتوان الگوهای پنهان در داده را با استفاده از آن آشکار کرد. بدین‌ترتیب و برخلاف گذشته که هدف غایی آرشیو داده، اشتراک فهم مابین انسان­ها بود، پیچیدگی داده در عصر جدید و حجم روزافزون آن لزوم مشارکت کامپیوترها در فرایند تصمیم­گیری و به واسطه آن آرشیو داده به زبانی قابل بازخوانی توسط انسان و ماشین بیش از پیش شده است.

     دست‌یابی به این هدف نه از لحاظ تکنیکی بلکه از لحاظ راهبردی پیچیده‌تر و نیازمند دقت بیشتری است، چراکه با پیشرفت‌های نرم‌افزاری اخیر و رابط‌های کاربری موفقی که در تمام نرم‌افزارهای روزمره می‌بینیم وارد و خارج کردن داده راحت‌تر از هر زمان در گذشته است ولی کانال‌بندی داده⁴ به نحوی که اجزا در انتها به یک کل معنی‌دار و قابل‌بررسی تبدیل شوند از هر پروژه میدانی تا پروژه دیگر بسته به امکانات و انتظارات متغیر است.

     در اکثر پروژه‌های باستان‌شناسی، داده گردآوری شده مناسب روش‌های تحلیلی معاصر نبوده و بخش زیادی از داده‌های باستان‌شناسی مداخله‌گر را می‌توان برای همیشه ازدست‌رفته دانست. در بهترین حالت داده‌های به‌دست آمده بعضی فعالیت‌های میدانی، غیرمتجانس و داری بافت گسیخته هستند (Bollwerk et al., 2024). امروزه بیش از هر زمان دیگری، باستان‌شناسان باید از روش‌های مدیریت داده‌ ⁵و اینکه چگونه این شیوه‌ها بر پژوهش تأثیر می‌گذارند، آگاه باشند (Heilen & Manney, 2023: 2). در همین راستا و به‌عنوان قدم اول این مقاله سعی دارد با اشتراک چالش‌ها و راه‌حل‌های مرتبط از دریچه تجربیات فصل دوم بررسی­های باستان‌شناسی مریوان (معصومیان و حریری، ۱۴۰۲) به گفتمانی در این زمینه دامن زند. ضرورت انجام این کار در مقاومت سنت باستان‌شناسی ایران در برابر تغییر و از طرفی روش‌های به‌سرعت در حال به‌روزرسانی و تحول است؛ این مسئله زمانی بغرنج خواهد شد که باستان‌شناسان در اوایل فعالیت میدانی خود بارها به این نتیجه تلخ برسند که داده گردآوری شده سودمندی لازم را نداشته و از استانداردهای لازم برای استفاده در یک پژوهش معتبر برخوردار نیست. برای توضیح راه‌حل‌های استفاده‌شده تصمیم گرفته شد از مرحله برنامه‌ریزی برای بررسی باستان‌شناسی مریوان شروع کرده و سیر فعالیت‌ها به ترتیب زمانی ارائه شود. در این مسیر فعالیت‌های مختلف در یک فلوچارت تکمیل‌شده به‌عنوان پیشنهادی برای مدیریت داده در پروژه‌های مشابه ارائه شده است و به‌عنوان مکمل، لینک ابزارهایی که توسط نگارندگان طراحی شده است نیز در پانویس قسمت مربوطه برای استفاده خوانندگان قرار داده شده است.

 

پیشینه پژوهش

اکتساب داده در عمل باستان‌شناسی همواره اهمیت زیادی داشته است، به‌خصوص در چند دهه گذشته با رواج دیجیتالی شدن ثبت یافته، چشم‌انداز کار میدانی باستان‌شناسی به‌طور قابل‌توجهی متحول شده است و این امر بر روش‌شناسی و تفسیر باستان‌شناسان نیز تأثیر گذاشته است (Heilen & Manney, 2023; Richards et al., 2021). بررسی‌های باستان‌شناسی مجموعه‌ای غنی از داده تولید می‌کند که از توصیف یافته‌ها تا اطلاعات مکانی و مشاهدات محیطی را دربر می‌گیرد. مدیریت داده به شکلی درخور برای ثبت و نگه‌داری این داده، اطمینان از قابل بازخوانی بودن داده و گرفتن نتیجه نهایی از مجموعه داده‌هایی که در زمان‌های مختلف و توسط افراد مختلف ثبت‌شده است از چالش‌های باستان‌شناسان در رابطه با مدیریت داده است (شکل ۱-A ).

     رویکردهای اولیه در مستندنگاری باستان‌شناسی محدود به تهیه دست‌نوشته‌های میدانی، طرح‌واره و عکس بوده است. این مستندات فیزیکی غالباً فاقد یکپارچگی بودند و جسته‌وگریخته انجام می‌شدند. استفاده این نوع از ثبت و ضبط اطلاعات امروزه نیز در کنار روش‌های پیشرفته‌تر قابل مشاهده است (شکل ۱-B ). با روآوردن باستان‌شناسان به سیستم‌های کاغذی که شامل فرم‌های استانداردشده از جزئیات کاوش، توصیف یافته‌ها و اطلاعات کانتکست می‌شد پایه و اساس آرشیو و روش مطالعه آرشیوی بر پایه این سیستم پایه‌گذاری شد. اگرچه سیستم کاغذی تا حدودی منجر به سازمان‌دهی می‌شد ولی همچنان در معرض خطا بود.

     با انقلاب دیجیتال و ابداع کامپیوترها تکنولوژی دیجیتال مدیریت داده متحول شد و عصری طلایی برای باستان‌شناسی آغاز شد (Richards et al., 2021: 1). پژوهش‌گران می‌توانستند محوطه‌های باستانی را با دقت بالایی نقشه‌نگاری کنند و یافته‌ها و ویژگی‌های آن را ثبت کنند، صفحات اکسل ایجاد کنند و با استفاده از جداول داده‌ها را به‌راحتی سازمان‌دهی کنند. در این دوره سیستم اطلاعات جغرافیایی مدیریت داده‌های مکانی را متحول کرد. این تحولات با چالش‌ها و فرصت‌هایی همراه بود که یکی از چالش‌ها حجم بالای داده‌های گردآوری شده بود.

     امروزه شاهد پیشرفت‌های سریع‌تری در تکنیک‌های برداشت، مدیریت و همچنین آنالیز داده هستیم. از این دسته می‌توان به فراگیر شدن تکنیک فتوگرامتری و اسکن لیزری اشاره کرد که تهیه مدل‌های سه‌بعدی دیجیتال را از محوطه‌ها و مصنوعات تسهیل کرده است. پرنده‌های بدون سرنشین⁶ ازجمله پهپادها که می‌توانند به انواع دوربین‌ها و سنسورها مجهز شوند از دسته مؤثرترین فنّاوری‌هایی هستند که به باستان‌شناسی معاصر کمک می‌کند.

  

 

 

شکل 1: A) برای دستیابی به یک پایگاه داده منسجم چالش‌های زیادی در طول مسیر ثبت یا مدیریت داده وجود دارد. B) شناسه‌های متعددی را می‌توان به یک مصنوع، اکوفکت یا نمونه توسط محققان مختلف که در زمان‌های مختلف کار می‌کنند اختصاص داد. این شکل سه شناسه مختلف را نشان می‌دهد که به یک شیء یافت شده در کاوش اختصاص داده شده است: (الف) شناسه‌ای که به یافته در میدان اختصاص داده شده و در دفترچه یادداشت ثبت شده است. (ب) شناسه دیگری که در آزمایشگاه حفاظت تعیین شده و در دفترچه حفاظت ثبت شده است و (ج) که توسط متخصص، شاید سال‌ها بعد، اختصاص داده شده و وارد پایگاه داده تخصصی شده است (Kansa & Kansa, 2021b).

 

 

     در دهه اخیر گذار از صفحات گسترده (مانند صفحات گسترده نرم‌افزار اکسل) به سیستم‌های تحت ⁷SQL مانند RDBMS⁸ رسیدگی به داده ساختارمند، بازخوانی داده و استفاده از طیف وسیعی از داده را در نرم‌افزارهای مختلف با سرعت بیشتر ممکن کرده است. باوجود اینکه زمینه‌های سخت‌افزاری و نرم‌افزاری این فنّاوری سال‌ها قبل وجود داشت ولی تنها در پروژه‌هایی که لازم بود حجم سرسام‌آور داده را پردازش کنند از این سیستم‌ها بهره می‌گرفتند (Joseph et al., 2004).

 

فصل دوم بررسی‌های باستان‌شناختی مریوان

آماده‌سازی و برنامه‌ریزی

در فاز صفر پروژه اهداف سرپرستان پروژه شامل مدیریت روزانه اطلاعات جغرافیایی، شناسایی محدوده تحت بررسی از طریق تصاویر ماهواره‌ای تاریخی، تعیین محوطه‌‌هایی که در آن‌ها قابل‌مشاهده هستند، بازبینی فرم‌های گزارش میدانی و دیتابیس آنلاین مورد بررسی قرار گرفت. در این مرحله مشخص شد که برای ارائهٔ اطلاعات نهایی روزانه، نیاز است که داده‌های پیش‌نیاز بررسی از قبل پردازش شوند. این داده‌ها به‌طورکلی شامل دو دسته می‌شود: اطلاعات رستر و اطلاعات وکتور.

 

الف) اطلاعات رستر

تصاویر ماهواره‌ای جدید که از دو منبع مختلف دریافت شدند (تصاویر ماهواره‌های گوگل و بینگ) با نهایت کیفیت موجود با استفاده از نرم‌افزار SASplanet⁹ تهیه شدند. دلیل استفاده از دو منبع این نکته است که با وجود رزولوشن مکانی بالا، این تصاویر از رزولوشن زمانی پایینی برخوردارند بدان معنا که از زمان ثبت تصویر یک محدوده توسط ماهواره تا زمان بازگشت ماهواره برای برداشت قسمت هم‌جوار زمان زیادی طی می‌شود. نتیجه این رزولوشن زمانی پایین در تصاویر به این شکل قابل‌مشاهده است که در قسمتی از تصویر، تغییر فصل و زاویه خورشید باعث می‌شود که تغییر رنگ یا تغییر پوشش گیاهی دیده شود. استفاده از دو منبع این مشکل را به این نحو حل کرد که در محوطه‌هایی که تصویر پس‌زمینه ماهواره گوگل در دو زمان متفاوت گرفته شده بود، تصاویر پس‌زمینه ماهواره بینگ استفاده شد. با تهیه تصاویر HEXAGON از درگاه سازمان زمین‌شناسی ایالات‌متحده آمریکا این امکان به‌دست آمد که منظر تاریخی شهرستان در نیم قرن پیش بازسازی شود که تصویری از تمام منطقه بدون توسعه شهری و مداخلات انسانی اخیر ارائه داد که با بررسی روزانه این تصاویر محوطه‌های احتمالی شناسایی و برای بررسی میدانی پیشنهاد می‌شدند. مدل ارتفاعی رقومی از پروژه ALOS PALSAR¹⁰ این امکان را فراهم کرد که از ریخت‌شناسی منطقه دید جامعی به‌دست آید و پایه اکثر تحلیل‌ها و اتوماسیون گردآوری داده را فراهم کند.

 

ب) اطلاعات وکتور

با این‌که اطلاعات رستر بیشتر جنبه‌های محیط که در بررسی لازم بود را آشکار می‌کرد، چالش صرفه‌جویی در زمان، ثبت دقیق عناصر طبیعی و دست‌ساز ازجمله رودخانه‌ها، روستاها، جاده‌ها، چشمه‌ها، قله­ها و پهنه‌بندی کاربری اراضی پابرجا بود. در این مرحله تصمیم گرفته شد دیتابیس OSM برای رفع این چالش مورد استفاده قرار گیرد. نظر به استفاده از ArcGIS Pro برای انجام کارتوگرافی و آنالیز فضایی نیاز بود که اطلاعات تهیه شده از فرمت رایج (*.MBTiles) به فرمتی درآید که بتوان هم از اطلاعات فضایی و هم از اطلاعات توصیفی موجود در دیتابیس به نحو احسن بهره‌برداری شود در کنار اینکه حجم فوق‌العاده زیاد این دیتابیس که سرتاسر دو کشور ایران و عراق را پوشش می‌داد به نحوی ذخیره‌سازی شود که با سخت‌افزار موجود قابل‌استفاده باشد چراکه تا این مرحله مجموع داده‌های رستری به حجمی ۲۵۰ گیگابایتی نزدیک شده بودند¹¹ که با تکنیک‌هایی از قبیل Raster Pyramids و Raster Tiling مدیریت می‌شد؛ این در حالی است که اطلاعات وکتوری با حجم بسیار پایین می‌توانند توان پردازش زیادی بگیرند و متعاقب آن زمان بیشتری برای بازخوانی و کار با آن صرف شود. تصمیم بر این شد که از ژئوپکیج‌ها¹² که از نوع پایگاه‌های داده تحت SQLite هستند برای این منظور استفاده شود. با این راه‌حل تمام مزایای این دیتابیس در انواع پلتفرم‌هایی که در این پروژه استفاده می‌شدند قابل‌دسترسی گشته و از آن مهم‌تر بینش عمیقی از فضای بررسی و روابط محوطه‌های مکشوفه با پیرامون به‌دست می‌آمد. باوجود این پتانسیل، تبدیل این دو نوع داده که تفاوت‌های عمیقی باهم داشتند خالی از پیچیدگی‌های تکنیکی نبود، برای دستیابی به این مقصود دو راه‌حل به آزمایش گذاشته شد که یکی استفاده از نرم‌افزار FME¹³ و دوم استفاده از ماژول OGR در کتابخانه نرم‌افزاری GDAL در محیط پایتون بود. از این دو تکنیک راه‌حل دوم به دلیل کیفیت دیتابیس به‌دست آمده استفاده شد.

     تا این مرحله پیش‌بینی‌های لازم برای راه‌اندازی سیستمی کارآمد برای اطلاعات بررسی انجام گرفته است؛ اما این سیستم در پایگاه مستقر بود و سرپرستان تیم بر این عقیده بودند که این سیستم با افزونه‌ها و دسترسی‌های یک‌طرفه به تمام اعضای تیم در بررسی میدانی گسترش یابد. تحقق ایده از این لحاظ سودمند بود که اگر هرکدام از بررسی‌کنندگان به این اطلاعات جغرافیایی تحت یک رابط کاربری بصری پویا دسترسی می‌داشتند و می‌توانستند محدوده‌ محوطه­های مکشوفه، بخش‌هایی که از آن نمونه‌برداری انجام‌شده و همچنین اطلاعات کمی و کیفی را ثبت کنند. این سیستم ایزوله می‌توانست به یک اکوسیستم گردآوری داده تبدیل شود. از همان ابتدا مشخص بود که استفاده از لپ‌تاپ در هنگام پیمایش دست‌وپا گیر است، همچنین به دلیل شرایط خاص مرزی موجب بروز حساسیت خواهد شد. نزدیک‌ترین راه حل گوشی‌های موبایل بود که دارای سنسورهای مکانی مناسب بودند و در حین پیمایش به‌راحتی قابل حمل و استفاده بود؛ به همین دلیل اپلیکیشن‌های تحت سیستم‌عامل اندروید موردبررسی قرار گرفتند. درنتیجه تحقیق و آزمایش گزینه‌های متفاوت اپلیکیشن Qfield به‌عنوان گزینه مطلوب انتخاب شد (شکل ۲ - a). دلایل این انتخاب به شرح زیر است.

 

قابلیت تعامل در یک فضای ابری

با خرید اشتراک از شرکت سازنده این امکان فراهم می‌شد که به‌محض ثبت یک محوطه توسط تیم پیمایش، مسئول مدیریت داده مستقر در لابراتوار اطلاعات را رصد و نقشه‌های لازم را تهیه کند. این قابلیت درصورتی‌که تیم بررسی به دو یا سه بخش برای بررسی در مناطق مختلف تقسیم می‌شد این امکان را فراهم می‌کرد که تیم‌های پیمایش مختلف از شماره‌بندی محوطه‌ها آگاه شده و به این ترتیب از شماره‌گذاری تکراری برای محوطه‌ها جلوگیری شود.

 

مدیریت کامل

مسئول امور داده می‌توانست تمام نقشه‌ها و محوطه‌های پیش‌بینی‌شده و احتمالی که از بررسی تصاویر هگزاگون در روز قبل به‌دست آمده بود را وارد اپلیکیشن کرده و در روز پیمایش، تیم بررسی این پیش‌بینی‌ها را راستی‌آزمایی کند. همچنین تمام فیلدهای برگه گزارش در نرم‌افزار تعبیه می‌شد، تصاویر ماهواره‌ای به‌روز و با کیفیت بالا در فایل پروژه طراحی شده برای این پروژه موجود بوده و اطلاعات واردشده از طرف تیم در لایه‌های مختلف شامل نقاط (برای یافته‌های شاخص، چشمه‌ها و عناصر نقطه‌ای) خطوط (برای عناصر خطی نظیر دیوارها) و چندضلعی‌ها (برای ترسیم محدوده‌های نمونه‌برداری، گستردگی محوطه و عناصر مشابه) ذخیره و با فیلدهای استانداردشده برای تایپ توضیحات در محل مشاهده تکمیل می‌شد. لازم به ذکر است به دلیل تازگی سیستم و نگرانی بابت از دست رفتن اطلاعات، فرم‌های گزارش کاغذی همچنان استفاده می‌شد (شکل ۲ - b) ولی اکثر بخش‌های برگه گزارش حذف شد و در اپلیکیشن یا در لابراتوار با دقت و سرعت بیشتری ثبت و ضبط می‌شد.

 

 

 

شکل 2: A) تهیه و آماده‌سازی اطلاعات مکانی و طراحی پلتفرم برای استفاده در پیمایش، B) تهیه و به‌روزرسانی فرم‌ها و پایگاه ‌داده برخط.

 

پیمایش

در پیمایش‌های روزانه یک روند منظم با شناسایی محوطه آغاز می‌شد که شامل برداشت بقایای مادی از تمام یا بخشی از محوطه و ترسیم محدوده نمونه‌برداری و محدوده محوطه در اپلیکیشن Qfield و پر کردن فرم گزارش و در آخر تهیه تصاویر و مستندات از محوطه بود. برای تعدادی از محوطه‌های شاخص یا دارای عناصر معماری برجا تصاویر هوایی و تصاویر لازم برای بازسازی سه‌بعدی محوطه توسط یک پهپاد نیز ثبت شد.

 

---

[1]  در این تحقیق داده به‌عنوان هر چیز قابل‌سنجش و سازنده مبنای استدلال و اولین گام برای دسترسی به اطلاعات بکار می‌رود.

[2]  Data Science  

[3]  Inductive e.g. grounded theory research

[4]  Data pipeline: a systematic and automated process for the efficient and reliable movement, transformation, and management of data from one point to another within a computing environment.

[5]  روش‌های مدیریت داده‌ها برای اشاره به مفهومی به‌کار رفت که در فارسی معادل مشخصی ندارد "Data Practices"، این مفهوم طیف وسیعی از روش‌ها، روندها و استراتژی‌های ضروری برای مدیریت مؤثر، تحلیل و بکارگیری داده را دربر می‌گیرد.

[6]  Unmanned Aerial Vehicles (UAVs)

[7]  Structured Query Language (زبان پرس‌وجوی ساختاریافته)

[8]  Relational Database Management System

 (سیستم مدیریت پایگاه داده رابطه‌ای)

[9]  SAS.Planet.Nightly.231008.10404

[10]  ALOS Phased Array type L-band Synthetic Aperture Radar

[11]  حجم داده تمام شهرستان مریوان را دربر گرفته است تا در فصول آتی نیازی به تکرار مراحل نباشد.

[12]  GeoPackage

[13]  A known as Feature Manipulation Engine

 

شکل 3: c) فعالیت‌های انجام گرفته در پیمایش و ارتباط داده دریافت شده از مرحله قبل.

 

 

مرحله کارگاهی

در این بخش (Field Lab) همان‌گونه که در نمودار پیداست داده¹ و یافته‌های² به‌دست آمده از پیمایش روز کاری بین بخش‌های مختلف تقسیم می‌شود و پس از انجام سلسله فرایندهایی به اطلاعات ساختاریافته تبدیل و در مقصد پایگاه داده ذخیره می‌شود. رنگ‌های مختلف در نمودار نمایان‌گر بخش‌های مختلفی است که با داده‌های ورودی مختلف از بخش‌های دیگر وظیفه آماده‌سازی داده نهایی برای ذخیره در دیتابیس را دارند که به‌طور خلاصه به سازوکار و نحوه عمل آن پرداخته می‌شود.

     بخش d (شکل ۴-d) وظیفه پردازش اطلاعات جغرافیایی را بر عهده دارد که با دریافت اطلاعات ثبت‌شده در اپلیکیشن Qfield، مواد فرهنگی برداشت‌شده در طی پیمایش، برگه گزارش محوطه و تصاویر پهپادی و ترکیب و ادغام آن با اطلاعاتی که از قبل به‌دست آمده بود می‌بایست اطلاعات مربوط به گزارش ارائه‌شده و پرونده هر محوطه در دیتابیس را تأمین کند. این اطلاعات شامل نقشه‌های موردنیاز برای هر محوطه کشف‌شده است که روزانه تهیه و تحویل می‌شد و به بخش گزارش‌نویسی (شکل ۴-f) تحویل داده می‌شد. البته در انتهای پروژه و با تغییر لایه‌های جی‌آی‌اس و اضافه شدن منابعی جدید لازم شد که تمام نقشه‌ها دوباره خروجی گرفته شود، این تعداد با نقشه‌های فصل قبل تعدادی بالغ ‌بر ۶۰۰ نقشه را تشکیل می‌داد که به شیوه دستی تهیه خروجی از آن بسیار زمان‌بر بود. پیش‌بینی‌هایی که در ابتدای پروژه برای نام‌گذاری فایل‌های مختلف صورت گرفته بود این امکان را داد که نقشه‌ها به ترتیب مشخصاتی مانند نام پروژه، سال انجام پروژه، شماره محوطه، نوع نقشه و موضوع آن قابل بازخوانی باشد. این تمهیدات باعث شد که گرفتن خروجی‌های جدید به‌صورت اتوماتیک و با استفاده از کتابخانه Arcpy انجام شود.³

     از دیگر اطلاعات قیدشده در گزارش بررسی، اطلاعات مکانی شامل جدول مختصات گوشه‌های محوطه کشف‌شده است که از شیپ­فایل به‌دست‌آمده از Qfield محاسبه و در اختیار بخش نگارش گزارش قرار داده می‌شد. بخش دیگر از اطلاعات مکانی که به همراه توصیف‌های حین پیمایش وارد گزارش شد مربوط به مطالعه توصیف محل و تطبیق آن با اطلاعات جی‌آی‌اس بود که گاهاً فواصل و جهات اشاره‌شده نسبت به رودخانه‌ها، جاده‌ها و روستاهای اطراف تصحیح می‌شد و بدین ترتیب از صحت مطالب اطمینان حاصل شد. بعضی از اطلاعات وارد شده بین بخش گزارش و دیتابیس مشترک هستند.

 

---

[1]  شامل موقعیت مکان‌های شناسایی شده و ویژگی‌های مربوط به آن محل.

[2]  عمدتاً شامل سفال که در هنگام بررسی تنها حفظ و برای استخراج داده به کارگاه منتقل می‌شد.

[3]  کد پایتون برای استفاده‌های بعدی در GitHub با نام "Export all Layouts ending with" قابل دسترسی است. لینک:

https://github.com/SamranAsiabani/Arcpy.git

 

 

شکل 4: d) پردازش اطلاعات مکانی؛ e) آماده‌سازی و دادن شناسه یکتا به یافته‌ها قبل از تحویل به بخش ریجست و عکاسی؛ f) بخش گزارش‌نویسی؛ g) وارد کردن اطلاعات مربوط به محوطه‌ها در دیتابیس؛ h) بخش ریجست سفال؛ i) بخش عکاسی و طراحی.

 

 

     اطلاعات مربوط به دیتابیس (شکل ۴-g) شامل مختصات جغرافیایی مرکز محوطه‌ها، ارتفاع محوطه از سطح دریاهای آزاد، طول و عرض و مساحت محوطه و زاویه‌ای که محوطه در جهت طول به نسبت شمال گرفته است می‌شود. فاصله نسبی از دیگر فاکتورهایی است که برای توضیح موقعیت یک محوطه بر اساس مکان یا محلی شناخته‌شده (رودخانه‌ها، روستاها، قله‌ها و مانند این‌ها) و با هدف توصیف نوشتاری یا گفتاری محوطه اضافه شد. درصورتی‌که مکانی شاخص در برگه گزارش قید نشده بود یا فاصله و جهت آن دقیق نبود با محاسبه آن در نرم‌افزار ArcGIS این اطلاعات به‌دست می‌آمد؛ لازم به ذکر است که شرط انجام این کار وجود پایگاه داده‌ای بود که تمامی مکان‌ها و عناصر محل را به‌صورت اطلاعات وکتور به همراه ویژگی‌های آن داشته باشد که در مرحله آماده‌سازی و برنامه‌ریزی به شیوه به‌دست آوردن این اطلاعات اشاره شد.

     پس از شستشوی سفال و شماره‌دهی به سفال‌ها (شکل ۴-e) برای اطمینان از تکراری نبودن شماره‌ها قطعاتی که قابل سرهم‌بندی بودند شناسایی شده و به هم الصاق شد. عکس مجموعه‌ای از یافته‌ها تهیه شده و یافته‌ها به بخش ریجست منتقل می‌شدند.

     در بخش ریجست (شکل ۴-h) سفال‌های تحویل گرفته شده مورد بررسی قرار می‌گرفت و ویژگی‌های ریخت‌سنجی¹ آن‌ها اندازه‌گیری و وارد دیتابیس می‌شد. در این مرحله گونه‌شناسی سفال‌ها توسط متخصصان ثبت و همچنین رنگ سفال بر اساس سیستم مانسل ثبت شدند. ویژگی‌های دیگر (ازجمله رنگ مقطع، تزئینات، میزان پخت، تکنیک ساخت، دانه‌بندی خاک تشکیل‌دهنده) بعد از بررسی هر قطعه در یکی از دسته‌های از پیش تعیین‌شده قرار می‌گرفتند. قطعات پس از ثبت ویژگی‌ها باید آرشیو می‌شدند که برای انجام آن نیاز بود که لیبل هر قطعه به همراه سفال قرار داده شود. از آنجا که تهیه لیبل در این حجم وسیع و به‌طور روزانه بسیار وقت‌گیر بود ضرورت تمهیدی از طرف تیم باعث شد نرم‌افزاری طراحی شود که به ازای هر یافته در فایل اکسل یک لیبل در ابعاد استاندارد طراحی کند. این نرم‌افزار با نام Labeling v1.01² با دریافت یک فایل اکسل (*.csv) و واردکردن عنوان ستون‌هایی که لازم است در لیبل قید شوند به ازای هر ردیف یک لیبل طراحی می‌کند و در صفحاتی با ابعاد A4 کنار هم قرار می‌دهد؛ در نسخه فعلی نرم‌افزار به ازای هر صفحه، ۲۴ لیبل قرار می‌گیرد و محدودیتی برای تعداد لیبل تولیدشده وجود ندارد. پس از پرینت فایل PDF به‌دست‌آمده از نرم‌افزار Labeling این امکان فراهم شد که زمان صرف شده برای این کار صرف امور دیگر شده و نگرانی از خطای انسانی ناشی از واردکردن دستی اطلاعات برای لیبل‌ها رفع شود.

     عکاسی و طراحی تکنیکال: پس از عکاسی قطعات سفالی، ادیت تصاویر در فتوشاپ انجام گرفت. ترسیم مقطع قطعات در نرم‌افزار راینو انجام شد، ترسیم انجام‌گرفته و شناسه سفال و عکس قطعه در یک فایل نهایی و در نرم‌افزار کورل­دراو ترکیب شده و فایل طراحی نهایی وارد دیتابیس شد.

     ورود اطلاعات به دیتابیس: اطلاعاتی از قبیل مختصات جغرافیایی، ارتفاع از سطح دریاهای آزاد، طول، عرض، مساحت، زاویه جهت‌گیری محوطه نسبت به شمال و توصیف موقعیت مکانی محوطه بر اساس مکان‌های هم‌جوار که از قبل آماده شده بود وارد دیتابیس شد، تعدادی از این ویژگی‌ها³ بر اساس تمهیدات قبلی بصورت خودکار در نرم‌افزارQfield  محاسبه شده و با دقت کامل ثبت شد. شناسه محوطه، نام و تاریخ کشف که در حین پیمایش و با کشف محوطه به آن داده می‌شد شامل ویژگی‌هایی هستند که برای بازخوانی اطلاعات بیشترین اهمیت را دارند؛ نام محوطه برای گروه بررسی پیمایشی و تاریخ و شناسه یکتا برای فراخوانی محوطه در دیتابیس و لیبل‌دهی به تمام یافته‌های آن محوطه استفاده شد. نوع محوطه که سرپرستان بر اساس یافته‌های جمع‌آوری شده و مشاهدات خود ثبت می‌کردند و بستر محیطی و وضعیت محوطه به‌عنوان اطلاعاتی که نیاز به مشاهده در محل از طرف متخصصان داشت نیز در دیتابیس ثبت شد.

 

تهیه گزارش

با آماده شدن اطلاعات بخش‌های مختلف بخش گزارش‌نویسی وظیفه ادغام و مرتب‌سازی تمام اطلاعات را در قالب گزارش داشت. این اطلاعات مطالب قبلاً ذکر شده مانند توصیف محوطه، جدول مختصات، نقشه‌ها، تصاویر، طرح‌های تکنیکی یافته‌ها و تصاویر هوایی را دربر می‌گرفت.

     مرحله نهایی بررسی صحت اطلاعات و شناسایی خطاهای احتمالی بود؛ در ابتدای فصل پیش‌بینی‌هایی برای کاهش خطای انسانی در واردکردن اطلاعات صورت گرفت که مهم‌ترین آن، تقسیم کردن اطلاعات به دو دسته قابل دسته‌بندی و غیر قابل دسته‌بندی بود. اطلاعات قابل دسته‌بندی تمام اطلاعاتی مانند گونه‌شناسی سفال و میزان حرارت‌دیدگی آن بود که در تعدادی دسته محدود می‌شد، با توجه به اینکه پیش‌بینی شده بود که تایپ این اطلاعات همراه با غلط‌های تایپی، فاصله‌های اضافه، خطا در نگارش واژه‌ها با حروف بزرگ و کوچک باشد و این امر باعث می‌شود که این اطلاعات در نرم‌افزارهای تحلیلی قابل‌استفاده نباشد (برای مثال: اگر یک مشخصه از نمونه با چهار شیوه مختلف نگاشته شود در هنگام استفاده به‌صورت چهار مشخصه دیده می‌شود) تصمیم گرفته شد از منوهای کرکره‌ای و چک باکس⁴ در دیتابیس استفاده شود که باعث شد این مشکل به‌کلی رفع شود. اما مشکل اصلی یا همان اطلاعات غیرقابل دسته‌بندی پابرجا ماند، چراکه مشخصه‌هایی مانند اندازه‌ها و کد مانسل قابل دسته‌بندی به تعدادی که در منوی کرکره‌ای از میان آن‌ها انتخاب کرد نبودند، به همین دلیل در انتهای پروژه پیدا کردن و رفع این خطاها ضروری بود. برای رفع این مشکل از نرم‌افزار OpenRefine استفاده شد که نرم‌افزاری برای پیش‌پردازش و پاک‌سازی داده است، تکنیک‌های علم داده مانند Outlier Detection ⁵ وN-gram⁶ این امکان را داد که خطاها شناسایی شده و مشخصه‌هایی که نیاز به بازبینی دوباره یافته برای اندازه‌گیری دوباره بود در محل اصلاح شوند.

 

نتیجه‌گیری

مطالبی که بیان شد مروری گذرا بر فصل دوم از سلسله بررسی‌های باستان‌شناسی مریوان از دریچه باستان‌شناسی رایانشی بود که بر چالش‌های رفع شده و شیوه آن تمرکز داشت. در انتهای نمودار بخش پسابررسی مربوط به نتایج و آنالیزهای انجام‌شده و قابل انجام برای کشف الگوهای معنادار در اطلاعات است که خارج از بحث این مقاله است. بدون شک در فصول آتی بسیاری از راه‌حل‌های استفاده‌شده به‌عنوان پیش‌فرض در خواهند آمد و ماجراجویی برای یافتن راهی برای انجام سریع‌تر، بهتر یا دقیق‌تر امور، این فلوچارت کاری را دستخوش تغییر و به‌روزرسانی خواهد کرد. در این مسیر اشتراک تجربیات این شانس را می‌دهد که ایده‌ها و روش‌های مختلف که در یک پروژه مؤثر بوده‌اند بدون مسیر طولانی آزمون‌وخطا و زمان لازم برای توسعه در اختیار همکاران قرار گیرد و با پیشنهاد و نقدهای سازنده ایشان کامل‌تر شود.

     با پیشرفت‌های اخیر در زمینه هوش مصنوعی مولد و یادگیری عمیق انتظار می‌رود که شاهد تحولات روش‌شناسی بیش‌تری در باستان‌شناسی باشیم. شاید این سرآغازی عملی برای گذار از یافته­محوری به دیدگاهی کل­نگر به باستان‌شناسی باشد که دریافت را به‌عنوان ارزش نهایی بیش‌ازپیش مطرح کند. آنچه به‌طور قطع می‌دانیم این است که در هیچ مقطعی تا این اندازه امکانات لازم برای شکوفا کردن پتانسیل داده برای پاسخ پرسش‌های باستان‌شناسی و مهم‌تر از آن کشف الگوهای پرسش برانگیز در داده فراهم نبوده است.

 

سپاس‌گزاری

بر خود واجب می‌دانیم از دکتر مصطفی ده‌پهلوان و سرکار خانم دکتر لیلا خسروی رؤسای محترم پژوهشگاه میراث فرهنگی و پژوهشکده باستان‌شناسی بابت صدور مجوز برنامه فصل دوم قدردانی ‌نماییم. از آقایان یعقوب گویلیان و منصور مهرزاد رؤسای محترم پیشین و فعلی اداره کل میراث فرهنگی، گردشگری و صنایع‌دستی استان کردستان بابت پشتیبانی‌ها و حمایت‌هایشان سپاسگزاریم. از سایر همکاران اداره کل میراث فرهنگی استان خانم گلان فرزامی و آقایان فریاد حدادیان، اقبال عزیزی، پیام مجیدی، علی بهنیا، زاهد کریمی و فاروق زینتی برای پیگیری‌ها و مکاتبات اداری تشکر بسیار داریم. بخشی از این پژوهش و پروژه با حمایت‌های مالی صندوق حمایت از پژوهشگران و فناوران کشور (INSF) طرح پسادکتری شماره ۴۰۱۵۲۸۶، دانشگاه تهران، اداره کل میراث فرهنگی ‌صنایع دستی و گردشگری استان کردستان، فرمانداری مریوان و دانشگاه تهران تأمین شده است. جا دارد به‌طور ویژه از همکاران پروژه خانم‌ها زهرا خلیلی، الهام فتوحی، زینب هادی دستجردی، فائزه برزگر، معصومه خسروی، روژین مظهری و آقایان حمزه محمدپور، عمار تازیک، سعید شیربندی، حسین فقی‌زاده (تصویربرداری هوایی) و محمد‌امین سمرودی تشکر کنیم که بدون همکاری‌های بی‌دریغ ایشان فصل دوم بررسی تکمیلی شهرستان مریوان به پایان نمی‌رسید. در نهایت از مردم بسیار مهربان، خونگرم و مهمان‌نواز مریوان صمیمانه متشکریم.

 

---

[1]  مورفومتریک

[2]  این نرم افزار به‌طور رایگان برای دانلود در دسترس قرار می‌گیرد:

https://sourceforge.net/projects/labeling

[3]  اطلاعاتی از قبیل مختصات جغرافیایی، ارتفاع از سطح دریاهای آزاد، طول، عرض، تاریخ کشف و مساحت.

[4]  در هنگام طراحی چک باکس­ها متوجه شدیم که به سلول خود در نرم‌افزار اکسل نمی‌چسبد و بعداز کوچک‌ترین تغییرات بهم می‌ریزد. برای رفع این مشکل کد ویژوال بیسیک موجود در لینک زیر نوشته شد:

https://github.com/SamranAsiabani/Excel-or-Word.git

[5]  Outlier Detection: به طور عمومی، تشخیص نقاط پرت یا همان تشخیص ناهنجاری‌ها به فرآیند شناسایی نقاط داده‌ای اشاره دارد که به طور قابل توجهی از الگوی کلی مجموعه داده‌ها متمایز می‌شوند. این نقاط دارای خصوصیات متمایز و با ساختار اساسی داده‌ها تفاوت‌های قابل توجهی دارند. در واقع، نقاط پرت نسبت به نقطه داده‌ای نزدیک‌تر و سایر مقادیر هم‌جوار در یک نمودار داده یا مجموعه داده، به طور قابل توجهی بالاتر یا پایین‌تر قرار دارند.

[6]  N-gram: تحلیل توالی‌های کاراکترها (n-gram) برای یافتن شباهت‌ها.

 

 

شکل 5: فلوچارت کامل فعالیت­های انجام گرفته در فصل دوم بررسی­های باستانشناسی شهرستان مریوان.

 

 

منابع

حریری، نعمت، رضالو، رضا، جوانمردزاده، اردشیر، حیدری‌گوران، سامان (۱۴۰۱). پژوهش‌های سنجه‌پذیر در باستان‌شناسی محیطی دوره‌ پلیستوسن (تعاریف، کاربرد و ضرورت‌ها برای فلات ایران). پیام باستان‌شناس، ۱۴(۲۶)، ۱۲۳-۱۵۶.

معصومیان، محمد، حریری، نعمت (۱۴۰۲). گزارش فصل دوم بررسی باستان‌شناسی تکمیلی شهرستان مریوان، تابستان ۱۴۰۲، جلد دوم، آرشیو سازمان میراث فرهنگی، صنایع دستی و گردشگری استان کردستان و پژوهشکده باستان‌شناسی، منتشر نشده.

 

Bollwerk, E., Gupta, N., & Smith, J. (2024). A systems-thinking model of data management and use in US archaeology. Advances in Archaeological Practice, 12(1), 53–59. https://doi.org/10.1017/aap.2023.41

Heilen, M., & Manney, S. A. (2023). Refining archaeological data collection and management. Advances in Archaeological Practice, 11(1), 1–10. https://doi.org/10.1017/aap.2022.41

Joseph, N., Green, D., Cosmas, J., & Itegaki, T. (2004). Replication in archaeological information systems. (No publication information available)

Kansa, E., & Kansa, S. W. (2021a). Digital data and data literacy in archaeology now and in the new decade. Advances in Archaeological Practice, 9(1), 81–85. https://doi.org/10.1017/aap.2020.55

Kansa, E., & Kansa, S. W. (2021b). Digital data and data literacy in archaeology now and in the new decade. Advances in Archaeological Practice, 9(1), 81–85. https://doi.org/10.1017/aap.2020.55

Renfrew, C., & Bahn, P. (2012). Archaeology: Theories, methods, and practice. (6th ed.). Thames & Hudson.

Richards, J. D., Jakobsson, U., Novák, D., Štular, B., & Wright, H. (2021). Digital archiving in archaeology: The state of the art. Introduction. Internet Archaeology. https://doi.org/10.11141/ia.58.23

Rivers Cofield, S., Childs, S. T., & Majewski, T. (2024). A survey of how archaeological repositories are managing digital associated records and data: A byte of the reality sandwich. Advances in Archaeological Practice, 12(1), 20–33. https://doi.org/10.1017/aap.2023.29