This paper investigates the ability of six common multispectral sensors (GeoEye, Landsat 8 OLI, RapidEye, Sentinel-2, SPOT 5, and WorldView-2) to map archaeological sites typically inhabited by the farming communities of Southern Africa and characterized by surface features such as middens, non-vitrified dung, and vitrified dung. To achieve this, hyperspectral data collected in the field using a GER-1500 field spectroradiometer were resampled to the spectral resolutions of the selected sensors using the spectral library resampling tool in ENVI. Mean decrease in accuracy was used to assess the importance of both hyperspectral wavelengths and each band allocated to a multispectral sensor in discriminating the selected archaeological classes. Two predictive models based on the resampled hyperspectral data were developed in R using algorithms for support vector machine (SVM) and random forest (RF) classifiers. The results demonstrate that data resampled to the resolution of common multispectral sensors have the ability to predict surface archaeological features using RF and SVM classifiers. Important bands for predicting sites are mostly in the visible and shortwave infrared regions of the electromagnetic spectrum. The best performance was achieved with data resampled to the resolution of the Sentinel-2 sensor, which attained 81.90% and 92.38% accuracy in both RF and SVM classifiers respectively. The predictions indicate the relevance of field spectroscopy studies to better understand the spectral models critical for archaeological sites detection. Cet article étudie la capacité de six courants capteurs multispectraux (GeoEye, Landsat 8 OLI, RapidEye, Sentinel-2, SPOT 5 et WorldView-2) les plus appropriés pour la cartographie des sites archéologiques habités par les communautés agricoles de l’Afrique australe. Ces sites ont des caractéristiques de surface spécifiques, telles que des amas, de bouse non vitrifiée et de bouse vitrifiée. Pour y parvenir, des données hyperspectrales ont été recueillies sur le terrain à l’aide d’un spectroradiomètre de champ GER-1500. Les données ont ensuite été rééchantillonnées aux résolutions spectrales de les capteurs sélectionnés. Cela s’est fait à l’aide de l’outil de rééchantillonnage des bibliothèques spectrales integré dans l’ENVI. La diminution moyenne de la precision a été utilisée pour évaluer l’importance des longueurs d’onde hyperspectrales et de chaque bande attribuée à un capteur multispectral, afin de distinguer les classes archéologiques susmentionnées. Deux modèles prédictifs basés sur les données hyperspectrales rééchantillonnées ont été développés dans le R, en utilisant des algorithmes classificateurs « support vector machine » (SVM) et « random forest » (RF). Les résultats ont montré que les données rééchantillonnées à la résolution des capteurs multispectraux courants permettent de prédire les caractéristiques archéologiques de surface à l’aide de classificateurs RF et SVM. Les bandes importantes pour la prédiction des sites étaient principalement dans les régions de l’infrarouge visible et à ondes courtes du spectre électromagnétique. Les meilleures performances ont été obtenues avec des données rééchantillonnées à la résolution du capteur Sentinel-2, qui ont atteint une précision de 81,90% et 92,38% dans les classificateurs RF et SVM. Les prédictions indiquent la pertinence des études de spectroscopie de terrain pour la compréhension des modèles spectraux les plus importants pour la détection des sites archéologiques.

中文翻译：

---

自下而上：评估常用多光谱传感器在 Shashi-Limpopo 汇合区使用现场光谱法和高级分类器检测地表考古沉积物的光谱能力

本文研究了六种常见的多光谱传感器（GeoEye、Landsat 8 OLI、RapidEye、Sentinel-2、SPOT 5 和 WorldView-2）绘制南部非洲农业社区通常居住的考古遗址的能力，并以表面特征为特征，例如粪便、非玻璃化粪便和玻璃化粪便。为了实现这一点，使用 GER-1500 现场光谱辐射计在现场收集的高光谱数据使用 ENVI 中的光谱库重采样工具重新采样为所选传感器的光谱分辨率。准确性的平均下降用于评估高光谱波长和分配给多光谱传感器的每个波段在区分所选考古类别中的重要性。使用支持向量机 (SVM) 和随机森林 (RF) 分类器的算法，在 R 中开发了两个基于重采样高光谱数据的预测模型。结果表明，重新采样到常见多光谱传感器分辨率的数据能够使用 RF 和 SVM 分类器预测地表考古特征。预测站点的重要波段大多位于电磁波谱的可见光和短波红外区域。将数据重新采样到 Sentinel-2 传感器的分辨率，实现了最佳性能，在 RF 和 SVM 分类器中分别达到了 81.90% 和 92.38% 的准确度。预测表明现场光谱研究的相关性，以更好地理解对考古遗址检测至关重要的光谱模型。Cet 文章 étudie la capacité de 6 courants capteurs multispectraux (GeoEye, Landsat 8 OLI, RapidEye, Sentinel-2, SPOT 5 et WorldView-2) Ces 网站 ont des caractéristiques de surface spécifiques、telles que des amas、de bouse non vitrifiée et de bouse vitrifiée。倒入 y parvenir, des données hyperspectrales ont été recueillies sur le terrain à l'aide d'un spectroradiomètre de champ GER-1500。Les données ont ensuite été rééchantillonnées aux résolutions spectales de les capteurs sélectionnés。Cela s'est fait à l'aide de l'outil de l'outil de rééchantillonnage des bibliothèques光谱整合 dans l'ENVI。La diminution moyenne de la precision a été utilisée pour évaluer l'importance des longueurs d'onde hyperspectrales et de chaque bande attribuée à un capteur multispectral, afin de distinguer les classes archéologiques susmentionnées。Deux modèles prédictifs basés sur les données hyperspectrales rééchantillonnées ont été développes dans le R，en utilisant des algorithmes classificateurs «支持向量机»（SVM）和«随机森林»（RF）。Les résultats ont montré que les données rééchantillonnées à la résolution des capteurs multispectraux courants permettent de prédire les caractéristiques archéologiques de surface à l'aide de classificateurs RF et SVM。Les bandes importantes Pour la prédiction des sites étaient principalement dans les régions de l'infrarouge visible et à ondes Courtes du specter électromagnétique。Les meilleures performance ont été obtenues avec des données rééchantillonnées à la résolution du capteur Sentinel-2, qui ont atteint une précision de 81,90% et 92,38% dans les classificateurs RF et SVM。Les prédictions indiquent la pertinence des études de spectroscopie de terrain pour la compréhension des modèles spectroux les plus importants pour la de detection des sites archéologiques。