Hochauflösende Satellitenbilder sind für die landschaftsarchäologische Forschung unverzichtbar. Besonders in schwer zugänglichen Regionen oder Konfliktgebieten bieten sie oft die einzige Möglichkeit, Siedlungssysteme zu erforschen oder zu dokumentieren. Weltweit liefern rund 150 Satelliten täglich etwa drei Millionen Bilder mit einem Datenvolumen von rund 15 Terabyte. Die Verarbeitung dieser enormen Datenmengen erfordert jedoch effiziente Methoden. Zur Identifikation archäologischer Stätten setzen deshalb aktuelle Forschungsansätze zunehmend auf künstliche Intelligenz. Besonders Convolutional Neural Networks (CNNs) haben sich bei der Mustererkennung in Satellitenbildern bewährt. Sie erkennen subtile Strukturen und Veränderungen in der Landschaft, die mit herkömmlichen Methoden oft unentdeckt bleiben.
Die Fallstudie von Patric Stefan Guggisberg zeigt den Einsatz eines CNNs zur Identifikation von Siedlungshügeln in der mesopotamischen Steppenlandschaft. Als Untersuchungsgebiet dient die Mardin-Ebene im Südosten der Türkei südlich des Mardin-Midyat-Plateaus. Die Implementierung erfolgte in Python unter Verwendung der Open-Source-Bibliotheken Keras und TensorFlow. Die Studie wurde so gestaltet, dass sie auch für Personen ohne vertiefte Python-Kenntnisse verständlich bleibt und gleichzeitig einen Einblick in den Einsatz moderner Technologien in der Archäologie bietet.