基于改进的频率比模型的新石器时期遗址预测:以太湖流域为例

吉加惠; 李学文; 王凯捷; 牛煜龙; 王玉海; 唐强

doi:10.12404/j.issn.1671-1815.2506556

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (24) :10286-10296 DOI: 10.12404/j.issn.1671-1815.2506556

天文学、地球科学

基于改进的频率比模型的新石器时期遗址预测:以太湖流域为例

吉加惠 ¹^,² ,
李学文 ¹ ,
王凯捷 ² ,
牛煜龙 ³ ,
王玉海 ¹ ,
唐强 ²^,^*

作者信息 +

Prediction of Neolithic Sites Based on an Improved Frequency Ratio Model: Taihu Lake Basin

JI Jia-hui ¹^,² ,
LI Xue-wen ¹ ,
WANG Kai-jie ² ,
NIU Yu-long ³ ,
WANG Yu-hai ¹ ,
TANG Qiang ²^,^*

Author information +

文章历史 +

摘要

太湖流域作为中国东南沿海地区的重要文化发源地,自新石器时代以来即孕育了丰富的人类活动遗存。以苏州市域为代表,综合利用遥感影像、地形数据及主要水文地貌因子,构建基于频率比(frequency ratio, FR)模型与最大熵(maximum entropy,MaxEnt)模型的考古遗址空间预测模型。为克服传统FR模型在因子加权方面的局限性,引入条件注意力机制构建改进型加权模型(AM_FR),对各环境因子敏感性进行量化赋权,并对其预测性能进行系统对比。结果表明:高程、地表起伏度和粗糙度是影响遗址分布的主要环境因子;AM_FR模型在训练与测试数据上的AUC(area under curve)值优于传统FR与MaxEnt模型,表现出更优的拟合度与预测能力。重分类与栅格叠加分析显示,研究区内高概率区域主要分布于地势微高、近水资源丰富的滨湖缓坡地带,符合“择水而居、因地制宜”的聚落选址逻辑,并在构建模型指引下发现了新的遗址。研究成果不仅验证了机器学习方法在考古预测建模中的适用性,也为提升区域考古调查效率与文化遗产保护提供了技术支撑与方法借鉴。

Abstract

The Taihu Lake Basin in southeastern China represents a crucial cradle of prehistoric civilization, having sustained extensive human occupation since the Neolithic period. An archaeological site predictive model was developed for the Suzhou area by integrating multisource geospatial data—including remote sensing imagery, topographic parameters, and hydro-geomorphic factors—within a combined frequency ratio (FR) and maximum entropy (MaxEnt) modeling framework. To address limitations in factor weighting inherent in conventional FR approaches, an innovative conditional attention mechanism was incorporated to construct an enhanced weighted model (AM_FR), which quantified the sensitivity of various environmental predictors and optimized their contributions. Model performance was systematically evaluated and compared using training and testing datasets. The results show that elevation, surface roughness, and relief intensity are the primary environmental determinants influencing site location. The AM_FR model achieves higher area under curve (AUC) values on both training and testing datasets compared to standard FR and MaxEnt models, demonstrating superior fitting accuracy and predictive capability. Spatial overlay and reclustering analysis reveal that high-probability areas are predominantly distributed on gentle slopes near lakeshores with moderate elevations and reliable water access, consistent with the settlement principle of “adapting to habitat and leveraging natural advantages”. Guided by the established model, a new site is discovered. The research results validate the effectiveness of machine learning methods in archaeological predictive modeling. The proposed AM_FR approach offers a scientifically sound methodology and technical framework for improving the efficiency of regional archaeological survey and cultural heritage conservation practices.

Graphical abstract

关键词

遗址预测模型 / 太湖流域 / 新石器时代 / 频率比模型 / 条件注意力机制 / 最大熵模型

Key words

site prediction model / Taihu Lake Basin / neolithic age / frequency ratio model / conditional attention mechanism / maximum entropy model

引用本文

引用格式 ▾

吉加惠, 李学文, 王凯捷, 牛煜龙, 王玉海, 唐强. 基于改进的频率比模型的新石器时期遗址预测:以太湖流域为例[J]. 科学技术与工程, 2026, 26(24): 10286-10296 DOI:10.12404/j.issn.1671-1815.2506556

JI Jia-hui, LI Xue-wen, WANG Kai-jie, NIU Yu-long, WANG Yu-hai, TANG Qiang. Prediction of Neolithic Sites Based on an Improved Frequency Ratio Model: Taihu Lake Basin[J]. Science Technology and Engineering, 2026, 26(24): 10286-10296 DOI:10.12404/j.issn.1671-1815.2506556

登录浏览全文

4963

注册一个新账户忘记密码

新石器时代是人类社会由狩猎采集向农耕定居转变的关键时期,聚落的空间分布特征在很大程度上反映了史前人类对自然环境的适应策略与文化发展路径^[1-2]。考古学者长期以来致力于揭示史前聚落的选址机制及其与环境因子的耦合关系,期望以此深化对先民社会结构、生业形态与人地关系演变的理解^[3]。近年来,伴随地理信息系统(geographic information system,GIS)与空间建模技术的快速发展,考古遗址预测模型(archaeological predictive models,APM)逐步应用于文化遗产保护与考古调查规划之中^[4],成为提升调查效率与科学性的重要工具^[5-6]。通过定量分析环境因子与已知遗址之间的空间关系,APM能够识别潜在遗址高适宜性区域^[7],为未知遗址发现提供方向,也为研究史前聚落的分布机制奠定基础^[8]。

苏州市位于长江三角洲南缘、太湖流域东部,是中国东部新石器时代文化的核心区之一^[9]。自20世纪以来,考古工作者在苏州及其周边地区发现了大量重要的新石器时代遗址,如草鞋山、金鸡墩、张陵山和摇城等,涵盖马家浜文化、崧泽文化与良渚文化多个文化阶段,形成了具有连续性的区域文化谱系^[10]。研究表明,苏州地区的新石器聚落多分布于水系发达、地势相对高起的滨湖平原或微起伏台地,呈现出典型的“择水而居、择高而栖”选址偏好。这种规律与区域温暖湿润的气候、水稻农业的兴起密切相关。然而,近年来随着城市化进程加快,大量遗址遭受不同程度的破坏,土地开发导致的考古调查受限也使得遗址空间分布资料出现不完整、样本不均等问题,亟须借助先进的空间建模技术进行补充和修正^[11]。

在遗址预测研究方法方面,中外学者已发展出多种模型方法,如逻辑回归、变异系数分析、证据权重(weight of evidence,WoE)模型以及基于机器学习的最大熵(maximum entropy,MaxEnt)模型等^[12]。其中,频率比(frequency ratio,FR)模型因其方法简便、逻辑清晰,适合小样本条件下的环境因子解释,已被广泛应用于地质灾害预测与考古选址研究中。然而,传统FR模型存在因子权重难以区分、分类阈值主观、空间依赖性缺失等问题,难以应对复杂地貌背景下的多因子交互关系。相比之下,MaxEnt模型是一种基于“存在数据”的机器学习方法,能够在缺乏负样本的条件下,通过环境约束下的最大熵分布估计遗址适宜性,其在生态学与考古学中的应用成果显示出良好的非线性拟合能力与泛化性能^[13-14]。此外,随着集成学习思想的发展,学界亦尝试引入多模型融合策略(如XGBoost、逻辑回归叠加等)以进一步提升模型稳定性和预测精度^[15]。

当前研究仍面临两方面挑战:一是如何在城市化背景下利用有限的遗址数据构建科学、有效的预测模型;二是如何克服单一模型在复杂环境条件下的适应性限制。因此,构建基于改进策略的模型预测框架,成为推动考古遗址空间分析方法进一步发展的关键方向。

基于上述背景,以苏州市为研究区域,选取高程、坡度、坡向、地形起伏度与距河流距离等代表性环境因子^[16],构建考古遗址预测模型。通过GIS技术完成因子数据的标准化与栅格化处理,并在此基础上分别应用传统FR模型、MaxEnt模型以及基于注意力机制的频率比模型开展空间预测实验^[17-19]。为弥补传统FR模型在因子独立性与解释力方面的不足,引入因子权重注意力机制^[20]与空间自相关检验对其加以改进。通过多种精度评价指标对不同模型的预测性能进行比较验证,最终识别出苏州地区新石器遗址的高概率分布区域^[21-22]。为探讨苏州地区新石器聚落的环境驱动机制,引入注意力机制构建一种适用于苏州地区的加权频率比古人类遗址预测模型,明确了高程、地表起伏度、粗糙度等关键因子,并进一步解释“邻水择高、缓坡定居”的聚落选址机制。以期为遗址调查与保护提供可量化的空间决策依据,同时也为江南水网平原等相似区域的考古遗址空间建模研究提供方法参考和技术支持。

1 研究区域概况

苏州市地处中国东部长江三角洲南缘,位于北纬30°47'~31°52',东经119°55'~121°20',东邻上海市,南接浙江省,西连无锡市,北望长江入海口。全市陆域总面积约8 657 km²,下辖吴中、相城、姑苏、吴江、虎丘等多个行政区,是太湖流域的重要组成部分。该地区地势低平,地貌类型以平原、水网、丘陵交错为主,地面海拔多在2~50 m,西南部毗邻太湖,北部濒临阳澄湖,境内水系发达,形成典型的湖荡河网格局^[23]。

地质上,苏州属于华东沉降带的太湖断陷盆地,土壤类型主要包括水稻土、黄褐土和滨海冲积土,具有良好的农业耕作基础。气候上属亚热带季风气候,年均温约15.7 ℃,年降水量超过1 100 mm,四季分明,雨热同期。丰富的水资源与温暖湿润的气候条件为史前人类的聚落繁衍提供了良好生态基础,尤其适宜稻作农业和渔猎采集的混合生业模式^[24]。

考古学调查显示,苏州地区自新石器时代晚期起即形成密集的文化聚落分布格局,考古遗址主要集中于西南部太湖沿岸、中部的吴中丘陵区以及东部冲积平原等区域^[25],遗存时代涵盖马家浜文化(公元前5000—前4000年)、崧泽文化(前4000—前3300年)与良渚文化(前3300—前2300年)等新石器时期主要文化类型^[26]。其中,草鞋山遗址位于太湖之滨的吴中区,出土遗物丰富,文化层堆积清晰,是长江下游地区建立新石器文化编年序列的重要标尺。其他如金鸡墩、张陵山、摇城等遗址亦分布于河湖交汇、地势略高的地段,多呈台地状微高地特征,体现出“邻水择高”的聚落选址偏好^[27]。遗址点分布于研究区域如图1所示。

从地理分布看,这些遗址集中呈带状分布于河流沿岸与湖滨缓坡地带^[28],间或分布于低丘台地区,反映出先民对可耕地、水源便利性、防洪安全性等环境因素的综合权衡。地形微起伏、水陆交错的景观格局为先民提供了多样的资源环境,也使得遗址在空间上的分布受制于地貌单元的微环境变化^[29]。

总体而言,苏州新石器时期聚落选址在宏观上受控于地形、水文、气候等自然因子,在微观尺度上则表现出对河流密度、坡度、高程等环境条件的敏感响应。这一特点为建立以环境因子为核心的遗址预测模型提供了良好的地理基础^[30],也体现出研究区域在东南沿海史前文化版图中的代表性与典型性。

2 数据来源与研究方法

2.1 数据来源及预处理

新石器时期遗址数据主要源自苏州市考古所调查资料以及相关学术文献,经过系统性筛选与去重处理,最终整理获得40余处具有明确空间定位的新石器时期遗址,涵盖马家浜文化、崧泽文化和良渚文化等关键阶段。所有遗址均包含空间坐标(采用WGS84基准),经投影转换至统一坐标系统后导入地理信息软件中用于模型训练与验证^[31]。

基础地形数据来自地理空间数据云的数字高程模型(digital elevation model,DEM)数据,其数据为30 m空间分辨率的数字高程模型^[20]。为确保模型精度,遗址数据在使用前需进行空间有效性检验^[32]。首先对点位进行空间可视化,以识别存在坐标错误或空间重叠的问题;其次对年代不明确或文化属性存疑的遗址点予以剔除,确保样本的一致性与科学性。此外,为满足建模需求,将全部遗址数据随机分为训练集与验证集,其中训练集占70%,验证集占30%。

在最大熵模型中,为弥补缺乏真实“非遗址”数据的局限,需引入背景点模拟区域环境特征的总体分布。采用地理信息系统(geographic information system,GIS)平台中随机点生成工具,在研究区域范围内等概率抽取不小于已知遗址数量10倍的背景点,作为MaxEnt模型的负样本近似^[33]。为降低潜在的空间自相关与信息泄露风险,背景点生成过程中设置缓冲区,以剔除已知遗址及其周边1 km范围内的区域。

根据前人研究和本区域遗址分布特征,选取以下环境因子用于建模:高程、坡度、粗糙度、地形起伏度、平面曲率、剖面曲率等因子。这些因子能够从地貌、水文、地形复杂性等方面综合反映聚落选址偏好^[7]。此外,研究通过计算Spearman相关系数矩阵对变量之间的相关性进行检验,剔除相关性过高的冗余因子,优化输入因子组合^[34]。

2.2 研究方法

为全面刻画苏州市新石器时期遗址的空间分布特征,综合运用频率比模型与最大熵模型两种方法,在GIS平台支持下开展定量建模^[35]。考虑传统模型在变量处理、空间结构等方面的不足,进一步引入权重修正、空间自相关因子与模型集成机制,对预测结果进行优化与增强。

频率比模型是一种常用的空间预测方法,在地质勘探、考古学和环境科学中尤为普遍。该模型是一种双变量统计方法,通过计算各种影响因素(如地形、气候、土壤类型)与目标事件之间的关系来评估特定事件(如考古遗址)发生的概率。它通过统计分析已知位置(如现有考古遗址)周围的环境变量来计算每个因子类的频率比,从而能够推断未开发区域中目标事件的潜在分布^[36]。频率比模型的表达式为

(1)

$F{\mathrm{R}}_{i,j}=\frac{Npix\left({S}_{i,j}\right)/\sum _{\mathrm{j}}\mathrm{N}\mathrm{p}\mathrm{i}\mathrm{x}\left({S}_{i,j}\right)}{\mathrm{N}\mathrm{p}\mathrm{i}\mathrm{x}\left({N}_{i,j}\right)/\sum _{j}\mathrm{N}\mathrm{p}\mathrm{i}\mathrm{x}\left({N}_{i,j}\right)}$

式(1)中:FR_i,j为第i个环境因子的第j个类别的频率比值;Npix(S_i,j)为落在环境因子i的类别j内的遗址像素数量;

$\sum _{\mathrm{j}}\mathrm{N}\mathrm{p}\mathrm{i}\mathrm{x}\left({S}_{i,j}\right)$

为整个研究区域内所有遗址像素的总数;Npix(N_i,j)为环境因子i的类别j在整个研究区域内的总像素数量;

$\sum _{\mathrm{j}}\mathrm{N}\mathrm{p}\mathrm{i}\mathrm{x}\left({N}_{i,j}\right)$

为整个研究区域的总像素数量。

频率比值表示每个预测因素对考古遗址预测的影响。具体来说,FR_i,j>1表示预测因素与值的潜在存在之间存在很强的相关性,而FR_i,j<1则反之。

深度学习(deep learning, DL)作为机器学习的重要分支,依托多层人工神经网络,具备直接从原始数据中自动提取深层特征的能力,在分类、回归及预测任务中表现卓越。在此基础上,注意力机制(attention mechanism)最早于自然语言处理领域的神经机器翻译任务中被提出并应用^[37],旨在模拟人类视觉系统。该机制通过动态分配权重,使模型在处理信息时既能聚焦于关键区域(高分辨率),又能兼顾全局语义环境(低分辨率),从而有效抑制无关噪声干扰,提升特征表达能力^[17]。

将注意力机制集成到频率比模型中(图2),该方法融合了所有输入变量,使模型能够共同了解地貌和水文因素如何影响考古遗址的空间分布。将这种条件注意机制纳入FR模型,不仅可以提高考古遗址预测的直观性和准确性,还可使模型能够明确评估和识别最具影响力的预测因素。

将地形因子使用独热编码嵌入模型之中,随后,采用条件注意力机制从所有输入变量中学习,自动为每个因子分配不同的权重。最终,集成模型根据这些学习的关系预测考古遗址的出现和分布。

在模型中采用二元交叉熵作为损失函数^[38],训练1 000个迭代的端到端模型,将学习率设置为0.01,最终确定了每个预测输入因子的结果权重,并随后作为加权指标纳入频率比模型中进行建模。基于上述方法,构成一个基于注意力的加权考古预测模型,根据式(2)进行概率预测。

(2)

$SP=\sum _{\mathrm{i}}W\mathrm{F}{\mathrm{R}}_{i}$

式(2)中:SP为最终预测值;W为生成的每个因子的权重;FR_i为第i个类别因子的频率比值。

MaxEnt模型是一种基于最大熵原理的空间预测方法,广泛应用于物种分布建模、环境适宜性评估和考古遗址预测^[39]。MaxEnt的核心假设是在没有关于目标分布的完整先验知识的情况下,最合理的推断是具有最高熵的分布,即在一组给定约束下最均匀且偏差最小的分布^[40]。

作为一种将信息论与统计推理相结合的机器学习方法,MaxEnt从满足特定环境约束的所有可能分布中确定最佳概率分布。它特别适用于仅存在数据方案,使其高度适用于仅已知地点可用的考古研究。采用MaxEnt模型根据地形、地貌和水文变量预测考古遗址存在的概率。建模过程包括以下步骤。

假设C是满足所有约束f_i的模型集,可表示为

(3)$C=\left\{P \mid E_{P}\left(f_{i}\right)=E_{\tilde{P}}\left(f_{i}\right), i=1,2, \cdots, n\right\}$

式(3)中:P为预测的概率分布;f_i为对应于输入环境因子的特征函数;E_P(f_i)为特征函数f_i在概率分布P下的期望值;

${E}_{\stackrel{~}{P}}\left({\mathrm{f}}_{i}\right)$

为特征函数f_i在实际遗址分布

$\stackrel{~}{P}$

下的期望值;n为环境因子的总数量。

该模型受多个环境变量的约束,在这些约束下,MaxEnt方法选择具有最高熵的分布。

根据Phillips和Borda的公式,最大熵定义为

(4)

$\mathrm{H}\left(\mathrm{P}\right)=-\sum _{x\in X}\stackrel{~}{P}\left(x\right)\mathrm{l}\mathrm{n}\stackrel{~}{P}\left(x\right)$

式(4)中:H(P)为概率分布P的熵;X为整个研究区域;x为研究区域X内的一个随机位置;

$\stackrel{~}{P}\left(x\right)$

为在位置x处存在考古遗址的概率。

考古遗址存在的概率分布如式(5)所示。

(5)

$\mathrm{P}\mathrm{*}=arg\underset{P\in C}{\mathrm{m}\mathrm{a}\mathrm{x}}H\left(P\right)$

式(5)中:P*为最优考古遗址概率分布;

$arg\underset{}{\mathrm{m}\mathrm{a}\mathrm{x}}$

为使目标函数取最大值时的参数值。

3 结果

3.1 遗址分布的主要水文地貌特征

苏州市新石器时期遗址的空间分布受区域独特水文地貌背景的深刻影响,呈现出显著的环境依赖性和聚落选址偏好^[41]。通过对已获取的遗址空间信息与环境因子图层的叠加与统计分析,可以发现该区域的古人类活动与自然地貌之间具有高度相关性。

地形因素在遗址选址中扮演着重要角色。尽管苏州整体地势低平,但大多数遗址分布于地势略高、海拔3~8 m的自然台地或滨河阶地。这类微起伏地形具有较强的防涝能力,且排水性良好,适合农业耕作和长期定居^[31],如草鞋山、张陵山等重要遗址均位于缓坡或垄岗之上,体现了古人类对于地势微高地带的偏好与识别能力。这种微地形单元不仅提供了较好的自然防护,也为聚落的可持续发展提供了稳定基础^[42]。

进一步分析发现,遗址多位于坡度集中在0°~5°的平坦地带,地形起伏度较小,这一地貌特征利于村落建设与耕地开垦。从文化演化趋势来看,马家浜文化时期的遗址多分布在冲积平原地貌中,反映出早期人类依赖自然水系的栖居方式;至良渚文化阶段,部分核心聚落逐渐向浅丘与缓坡地带迁移,体现出聚落结构和社会组织的复杂化。地形选址的变化不仅关涉到生产方式与防灾需求的转变,也折射出古人类对自然环境认知与调适能力的提升。

综上可知,苏州地区的新石器时代遗址分布密切依赖水系、微地貌与坡度等自然环境要素,反映出史前聚落发展与地貌水文之间的紧密互动关系^[43]。这种空间格局揭示了古人类择址行为背后的环境逻辑,也为进一步理解新石器时期人地关系提供了地理与考古证据。

3.2 各模型运行结果分析

综合上述分析结果,利用地理信息软件对坡度、坡向、粗糙度等所选取的环境因子进行重分类,结果如图3所示。

根据现有的地形因子图以及频率比模型,在地理信息软件中计算各分类的频率比值,如图4所示。

根据各环境因子频率比发现,遗址点位多位于高程在5 m的地势略高的微起伏地带。苏州市整体地势低平,但遗址多分布于相对地势略高的自然台地与滨河阶地。同时,大部分遗址所在区域坡度集中为0°~5°地形起伏较小。

除了计算频率比模型,还利用深度学习计算各环境因子的权重值,并计算基于注意力机制的频率比模型(AM_FR)以及MaxEnt模型,结果如图5所示。

在综合分析太湖流域新石器时期水文地貌特征和空间分布特征的基础上,基于预测模型结果热力图,在苏州市成功发现潜在的遗址。遗址地块发掘面积800 m²,发现并清理新石器时代至宋代遗址共计80处,包括灰坑69处、沟8条、井2口、墓葬1座,出土完整及可复原器物24件。本次发现的遗址以新石器时代灰坑为主,但包含物均为残碎陶片,基本没有完整器物,该遗址保存情况较差,大部分区域的文化层被近现代生产建设所破坏,尤以东部高台地破坏最为严重。从现存地层堆积情况推测,该遗址自历史时期就屡遭破坏,在该遗址地块较浅层出土东周时期印纹硬陶片,但未发现东周时期文化层,有汉代遗物,但并未发现汉代文化层。

4 讨论

4.1 模型预测结果的空间合理性与表现

基于苏州市新石器时期遗址分布数据,构建了频率比模型与最大熵模型以及基于注意力机制的频率比模型,并分别生成潜在遗址适宜性预测图(图5)。模型预测结果显示,三模型在空间分布格局上具有较高一致性,均能够有效刻画遗址在区域尺度上的聚集特征,高适宜性区域主要集中于太湖东岸、阳澄湖西南沿岸、吴淞江及其支流流域,以及昆山、吴江、相城等滨水与缓坡交界地带。这些区域普遍具备水源充足、地势略高、地形平缓的环境特征,与既有考古认知中“临水而居、择高而栖”的史前聚落选址偏好高度契合,验证了所选环境因子的科学性与模型构建的有效性^[44-45]。

MaxEnt模型在整体预测性能上略优于FR模型,在训练集上其接收者操作特征曲线下面积(area under curve,AUC)达到0.705,而FR模型为0.671,两者均处于良好水平,而基于注意力机制的频率比模型在训练集上的AUC值则达到了0.802,优于前二者。这表明模型在遗址与环境因子关系建模方面具备较强区分能力。进一步引入注意力机制后,空间图像更为平滑,边界识别更自然,说明注意力机制有助于增强预测的整体稳定性与适用性。

综上可知,3种模型均能在样本数量有限的情况下准确识别潜在遗址分布区,且预测结果空间逻辑清晰,与聚落的选址偏好特征具有良好吻合性。而改进的频率比模型则优于另外两种模型,提高了模型的性能与鲁棒性。其生成的热力图不仅为后续考古调查提供了直观、量化的布点依据,也为理解史前人类与自然环境之间的相互关系提供了方法支撑。

所用FR与MaxEnt模型分别基于统计比值分析与最大熵原理,具有明确的数学定义与可解释的推断逻辑。在此基础上引入注意力机制学习因子权重,用以缓解传统FR“同权叠加/主观赋权”带来的偏差,使模型构建过程更符合数据驱动与可重复计算的要求。在数据处理中,对遗址点位数据进行了筛选、去重与坐标统一转换,并对环境因子进行了标准化与栅格化处理。通过相关性检验剔除冗余因子,降低了共线性对模型稳定性的影响。在模型评价方面,采用训练集/验证集划分方法,并以AUC等指标评估模型的区分能力。3个模型的预测结果显示,高适宜性区域与考古已有认识中“滨湖缓坡、近水微高地”的分布规律高度一致。此外,在预测高概率区内发现的某新遗址,也为模型输出提供了可检验的实地证据。综上,科学的建模流程、系统的结果评价以及潜在遗址的实地发现,共同验证了本模型的可靠性与科学性。

4.2 模型适用性与考古调查的应用意义

从模型特性来看,基于注意力机制的FR模型在变量可解释性和因子敏感性分析方面具有显著优势,特别适用于对单一或组合环境因子的聚落响应机制进行剖析。该模型通过对每个因子类别计算频率比值,能够量化各环境条件对遗址分布的贡献程度,便于进行因子排序与权重识别,适合服务于人地关系分析与文化适应机制研究^[46-48]。然而,该模型仍存在两个局限性:一是模型对因子分类方式和分组阈值较为敏感,主观性较强;二是在处理多因子之间的非线性交互作用方面能力有限,难以全面反映遗址选址的复杂性。

相比之下,MaxEnt模型作为典型的基于存在数据的机器学习方法,具备更强的灵活性与泛化能力。在缺乏负样本或存在数据不均衡的情况下,仍能通过最大熵原理构建稳健模型。同时,该模型能自动学习变量之间的非线性关系与高阶交互结构,更加适应考古环境因子的复杂耦合机制。然而,MaxEnt也存在一定过拟合风险,尤其在样本容量偏小或变量共线性显著时,模型稳定性可能下降。因此,模型的变量预处理、正则化策略与背景点采样需结合实际进行严格控制。

此外,值得指出的是,在苏州市核心城区及其扩展区域,两种模型的预测一致性相对较低。这一方面可能受限于现代城市化进程对遗址保存状况的干扰,导致样本信息不足;另一方面也反映出当前考古调查在城市区域的覆盖深度仍有待提升。未来应充分结合历史地图分析、遥感反演与地球物理探测等手段,增强城市区域文化遗存探测能力,以进一步提高模型在高干扰区域的适应性。

综合来看,所建立的基于注意力机制的频率比模型不仅能够在现有样本基础上合理预测潜在遗址分布区域,还为后续考古调查布点提供了定量化的目标指引。通过与城市规划数据、地质灾害评估系统的联动,预测结果可用于指导文化遗产保护红线划定,实现从经验主导向数据驱动的考古调查模式转变,对提升江南地区文化遗产管理的科学性与前瞻性具有重要实践意义。

5 结论

以苏州市为研究区域,聚焦于新石器时期考古遗址的空间分布规律,选取高程、坡度、地形起伏度、坡向、距水体距离等环境因子,创新性地构建了基于改进频率比模型与最大熵模型的遗址适宜性预测方法,探索史前聚落选址与自然环境的耦合机制。研究结合地理信息系统空间分析工具,实现了从因子提取、指标标准化、模型计算到结果可视化的完整技术流程,并对模型性能进行了系统评估。得出如下主要结论。

(1)苏州市新石器时期聚落呈现出“临水而居、择高而栖”的典型空间特征,遗址多分布于河湖周边1~2 km的缓坡地带。从环境因子权重分析看,距水体距离、高程和地形起伏度是影响遗址分布最显著的变量,反映出史前居民对水资源获取与地貌安全性的双重考量。地貌类型与聚落分布之间的响应关系也揭示了不同文化时期人类环境适应策略的变迁。

(2)评估结果显示,MaxEnt模型与FR模型均能有效预测潜在遗址区域,而基于注意力机制的频率比模型性能则更加优越。这表明构建的预测模型能够在有限遗址信息的基础上,有效预测潜在遗址分布区域。并已在潜在高概率区域发现了未发掘遗址。热力分布图不仅直观呈现了苏州市的考古价值分布格局,也为后续田野调查提供了可靠的空间指引,具有良好的实地应用前景。

(3)考虑到当前遗址样本仍存在分布不均衡、城市区域调查不足等问题,本文模型的预测结果在局部区域仍存在一定不确定性,特别是在现代建设密集区域,遗址的发现率可能受限于地表遮蔽与地质干扰。因此,未来研究可在模型数据源方面进行扩展,如引入古水系重建、地下探测资料或高精度DEM数据,以增强模型对复杂地貌的响应能力。同时,建议将人文因子(如聚落之间的空间网络、资源竞争关系等)纳入预测框架,以更全面地揭示史前聚落的空间行为逻辑。

综上所述,将基于注意力机制的频率比模型应用于苏州市新石器时期遗址的预测工作,不仅可显著提升考古调查的空间效率,也为聚落考古提供了方法创新与理论支撑。研究成果对长江下游地区史前人类与自然环境互动模式的认知具有借鉴意义,并为城市化背景下的文化遗产保护与规划管理提供了科学依据。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	贺云翱. 人地关系研究是考古学的重大课题[J]. 大众考古, 2017(6): 1.

[2]	He Yun’ao. Human-land relationship research is a major topic in archaeology[J]. Popular Archaeology, 2017(6): 1.

[3]	戴向明. 中国史前社会的阶段性变化及早期国家的形成[J]. 考古学报, 2020(3): 309-336.

[4]	Dai Xiangming. The phased changes of Chinese prehistoric society and the formation of early states[J]. Acta Archaeologica Sinica, 2020(3): 309-336.

[5]	Clark A E, Ranlett S, Stiner M C. Domestic spaces as crucibles of Paleolithic culture: an archaeological perspective[J]. Journal of Human Evolution, 2022, 172: 103266.

[6]	曹耀文. 基于Logistic回归分析的从化流溪河流域先秦时期遗址预测模型[J]. 测绘与空间地理信息, 2021, 44(5): 124-127, 131.

[7]	Cao Yaowen. A predictive model for pre-Qin period sites in the Conghua Liuxi River Basin based on Logistic regression analysis[J]. Geomatics & Spatial Information Technology, 2021, 44(5): 124-127, 131.

[8]	Hodder I, Orton C. Spatial analysis in archaeology[M]. Cambridge: Cambridge University Press, 1976.

[9]	Schiffer M B. Advances in archaeological method and theory[M]. New York: Elsevier Academic Press, 1986: 397-452.

[10]	Yaworsky P M, Vernon K B, Spangler J D, et al. Advancing predictive modeling in archaeology: an evaluation of regression and machine learning methods on the Grand Staircase-Escalante National Monument[J]. PLoS One, 2020, 15(10): e0239424.

[11]	张鹏, 杨谊时, 张山佳, 等. 青藏高原东北部新石器晚期聚落选址与预测——以庄浪河流域为例[J]. 第四纪研究, 2025, 45(1): 267-282.

[12]	Zhang Peng, Yang Yishi, Zhang Shanjia, et al. Settlement location selection and prediction in the Late Neolithic Age in the northeast of the Tibetan Plateau: a case study in Zhuanglang River Basin[J]. Quaternary Sciences, 2025, 45(1): 267-282.

[13]	于丽君. 太湖流域新石器时期考古遗址空间分析与遥感探测研究[D]. 北京: 中国科学院大学(中国科学院遥感与数字地球研究所), 2018.

[14]	Yu Lijun. Spatial analysis and remote sensing detection research of archaeological sites in the Taihu Lake Basin during the Neolithic period[D]. Beijing: University of Chinese Academy of Sciences (Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences), 2018.

[15]	Yang L, Zhao Y, Yuan W, et al. GIS-based analysis of the regional typologyof neolithic archaeological cultures in the Taihu Lake region of China[J]. Land, 2024, 13(2): 244.

[16]	Zhang H, Cheng H, Sinha A, et al. Collapse of the Liangzhu and other Neolithic cultures in the lower Yangtze region in response to climate change[J]. Science Advances, 2021, 7(48): eabl7287.

[17]	Noviello M, Cafarelli B, Calculli C, et al. Investigating the distribution of archaeological sites: multiparametric vs probability models and potentials for remote sensing data[J]. Applied Geography, 2018, 95: 34-44.

[18]	Zhang Y C, He Jie. Maxent modeling for distribution of rock art landscape in Tongtian River Basin[J]. Landscape Architecture, 2021, 28(11): 44-50.

[19]	吴瑞婵, 甘淑, 李强强. 基于MaxEnt模型的榆林地区新石器时代遗址预测分布研究[J]. 软件, 2019, 40(9): 148-152.

[20]	Wu Ruichan, Gan Shu, Li Qiangqiang. Predictive distribution research of Neolithic sites in Yulin area based on MaxEnt model[J]. Software, 2019, 40(9): 148-152.

[21]	Wachtel I, Zidon R, Garti S, et al. Predictive modeling for archaeological site locations: comparing logistic regression and maximal entropy in north Israel and northeast China[J]. Journal of Archaeological Science, 2018, 92: 28-36.

[22]	Shao B, Monteith F, You Z, et al. The role of environmental factors in the spatiotemporal distribution of millet in late Neolithic to Bronze Ages sites in the Tibetan Plateau and surrounding regions[J]. Journal of Archaeological Science, 2024, 166: 105976.

[23]	Wang Y, Shi X, Oguchi T. Archaeological predictive modeling using machine learning and statistical methods for Japan and China[J]. ISPRSInternational Journal of Geo-Information, 2023, 12(6): 244.

[24]	Na T, Kawamura Y, Kang S, et al. Hazard mapping of ground subsidence in east area of Sapporo using frequency ratio model and GIS[J]. Geomatics, Natural Hazards and Risk, 2021, 12(1): 347-362.

[25]	Nicu I, Mihu-Pintilie A, Williamson J. GIS-based and statistical approaches in archaeological predictive modelling (NE Romania)[J]. Sustainability, 2019, 11(21): 5969.

[26]	褚永彬, 朱利东, 杨文光, 等. 利用ArcGIS和Excel提取面积高程积分曲线的方法[J]. 科学技术与工程, 2021, 21(36): 15372-15377.

[27]	Chu Yongbin, Zhu Lidong, Yang Wenguang, et al. Method for extracting area-elevation contour curves using ArcGIS and Excel[J]. Science Technology and Engineering, 2021, 21(36): 15372-15377.

[28]	张宸嘉, 朱磊, 俞璐. 卷积神经网络中的注意力机制综述[J]. 计算机工程与应用, 2021, 57(20): 64-72.

[29]	Zhang Chenjia, Zhu Lei, Yu Lu. A survey of attention mechanisms in convolutional neural networks[J]. Computer Engineering and Applications, 2021, 57(20): 64-72.

[30]	Warren R, Asch D. A predictive model of archaeological site location in the eastern prairie peninsula[M]. Boca Raton, FL: CRC Press, 1999: 5-32.

[31]	Dormann C F, Elith J, Bacher S, et al. Collinearity: a review of methods to deal with it and a simulation study evaluating their performance[J]. Ecography, 2013, 36(1): 27-46.

[32]	Wang J, Chen X, Zhu X H, et al. Taihu Lake, lower Yangtze drainage basin: evolution, sedimentation rate and the sea level[J]. Geomorphology, 2001, 41(2): 183-193.

[33]	Chen X, Liu L. The archaeology of China: from the late Paleolithic to the early Bronze Age[M]. Cambridge: Cambridge University Press, 2012.

[34]	兰廷成, 赵大川. 钱塘江流域新石器时代驯猪研究——马家浜文化、崧泽文化及良渚文化篇[J]. 猪业科学, 2019, 36(5): 126-128.

[35]	Lan Tingcheng, Zhao Dachuan. A study on pig domestication in the Qiantang River Basin during the Neolithic Age: Majiabang Culture, Songze Culture, and Liangzhu Culture[J]. Swine Industry Science, 2019, 36(5): 126-128.

[36]	吴京达, 郭立新. 新石器时期太湖流域先民的择址与生业——以马家浜文化、崧泽文化为中心[J]. 农业考古, 2024(3): 5-12.

[37]	Wu Jingda, Guo Lixin. Site selection and subsistence of ancient people in the Taihu Lake Basin during the Neolithic period: focusing on Majiabang Culture and Songze Culture[J]. Agricultural Archaeology, 2024(3): 5-12.

[38]	Jiang L, Liu L. New evidence for the origins of sedentism and rice domestication in the lower Yangzi River, China[J]. Antiquity, 2006, 80(308): 355-361.

[39]	Wu Y, Wang C, Zhang Z, et al. Subsistence, environment, and society in the Taihu Lake area during the Neolithic era from a dietary perspective[J]. Land, 2022, 11(8): 1229.

[40]	Li X. Determination of the temporal-spatial distribution patterns of ancient heritage sites in China and their influencing factors via GIS[J]. Heritage Science, 2024, 12(1): 143.

[41]	张晓婧, 杨再强, 王学林, 等. 长江中下游江浙沪地区气候舒适度评价[J]. 科学技术与工程, 2014, 14(27): 122-127.

[42]	Zhang Xiaojing, Yang Zaiqiang, Wang Xuelin, et al. Evaluation of climate comfort in the Jiangsu-Zhejiang-Shanghai region of the middle and lower reaches of the Yangtze River[J]. Science Technology and Engineering, 2014, 14(27): 122-127.

[43]	田洁, 朱有晨, 李林芝, 等. 基于GIS与XGBoost算法的山东省新石器时代考古遗址预测模型研究[J]. 北京师范大学学报(自然科学版), 2025, 61(3): 394-404.

[44]	Tian Jie, Zhu Youchen, Li Linzhi, et al. Predictive modeling of Neolithic archaeological sites in Shandong Province based on GIS and XGBoost algorithm[J]. Journal of Beijing Normal University (Natural Science Edition), 2025, 61(3): 394-404.

[45]	Kempf M. The application of GIS and satellite imagery in archaeological land-use reconstruction: a predictive model?[J]. Journal of Archaeological Science: Reports, 2019, 25: 116-128.

[46]	Mesa-Mingorance J L, Ariza-López F J. Accuracy assessment of digital elevation models (DEMs): a critical review of practices of the past three decades[J]. Remote Sensing, 2020, 12(16): 2630.

[47]	Phillips S J, Anderson R P, Dudík M, et al. Opening the black box: an open-source release of MaxEnt[J]. Ecography, 2017, 40(7): 887-893.

[48]	Nogueira S, Sechidis K, Brown G. On the stability of feature selection algorithms[J]. Journal of Machine Learning Research, 2018, 18: 1-54.

[49]	孙保燕, 杨正阳, 陈款, 等. 融合航摄影像与地面照片三维重建技术在考古中的应用[J]. 科学技术与工程, 2019, 19(17): 262-266.

[50]	Sun Baoyan, Yang Zhengyang, Chen Kuan, et al. Application of integrated aerial and ground photograph 3D reconstruction technology in archaeology[J]. Science Technology and Engineering, 2019, 19(17): 262-266.

[51]	Pradhan B, Lee S. Delineation of landslide hazard areas on Penang Island, Malaysia, by using frequency ratio, logistic regression, and artificial neural network models[J]. Environmental Earth Sciences, 2010, 60(5): 1037-1054.

[52]	Bui D T, Tuan T A, Klempe H, et al. Spatial prediction models for shallow landslide hazards: a comparative assessment of the efficacy of support vector machines, artificial neural networks, kernel logistic regression, and logistic model tree[J]. Landslides, 2016, 13(2): 361-378.

[53]	Bengio Y, Serdyuk D, Chorowski J, et al. Attention-based models for speech recognition[J]. Neural Information Processing Systems, 2015, 28: 577-585.

[54]	Janocha K, Czarnecki W M. On loss functions for deep neural networks in classification[J]. Schedae Informaticae, 2017, 25: 49-59.

[55]	Phillips S J, Anderson R P, Schapire R E. Maximum entropy modeling of species geographic distributions[J]. Ecological Modelling, 2006, 190(3): 231-259.

[56]	Li Z, Liu Y, Zeng H. Application of the MaxEnt model in improving the accuracy of ecological red line identification: a case study of Zhanjiang, China[J]. Ecological Indicators, 2022, 137: 108767.

[57]	秦岭, 傅稻镰, 张海. 早期农业聚落的野生食物资源域研究——以长江下游和中原地区为例[J]. 第四纪研究, 2010, 30(2): 245-261.

[58]	Qin Ling, Fu Daolian, Zhang Hai. A study on the wild food resource catchments of early agricultural settlements: cases from the Lower Yangtze River and the Central Plains[J]. Quaternary Sciences, 2010, 30(2): 245-261.

[59]	Li G, Dong J, Che M, et al. GIS and machine learning models target dynamic settlement patterns and their driving mechanisms from the Neolithic to Bronze Age in the northeastern Tibetan Plateau[J]. Remote Sensing, 2024, 16(8): 1454.

[60]	Zhang P, Yang Y, Zhang S, et al. Spatial predictive modeling of Late Neolithic settlements in the northeastern Tibetan Plateau: a case study in Zhuanglang River basin[J]. Quaternary Sciences, 2025, 45(1): 267-282.

[61]	靳志鑫, 孙浩航, 李琳, 等. 多注意力机制融合的体育场景下运动目标检测[J]. 科学技术与工程, 2025, 25(29): 12570-12578.

[62]	Jin Zhixin, Sun Haohang, Li Lin, et al. Detection of moving targets in sports scenes using multi-attention mechanism fusion[J]. Science Technology and Engineering, 2025, 25(29): 12570-12578.

[63]	毕硕本, 计晗, 杨鸿儒. 基于DBSCAN算法的郑洛地区史前聚落遗址聚类分析[J]. 科学技术与工程, 2014, 14(32): 266-270.

[64]	Bi Shuoben, Ji Han, Yang Hongru. Clustering analysis of the neolithic settlement sites in Zhengzhou-Luoyang area based on DBSCAN[J]. Science Technology and Engineering, 2014, 14(32): 266-270.