طبقه بندی و گونه شناسی سفال های عصر آهن II به دست آمده از کاوش های باستان شناسی قره تپه سگز آباد قزوین به کمک توابع شعاع، تانژانت و انحنای (RTC) منحنی لبه خارجی سفال

یکی از اساسی­ترین پژوهش­ها در بررسی­های میدانی و کاوش­های علمی باستان­شناسی، ارائه یک توصیف کمی و کیفی دقیق از ویژگی­های هندسی قطعات سفالی است. این توصیفات در قالب مفاهیم طبقه­بندی و گونه­شناسی سفال­های یک دوره تاریخی مطرح شده و از آن­ها به منظور بررسی ساختارهای فرهنگی و اجتماعی آن دوره استفاده می­شود. امروزه، بیشتر مطالعات انجام شده در این زمینه به کمک روش­های رقومی و مدل­سازی­های ریاضی صورت می­گیرند. در این پژوهش نیز به بررسی امکان استفاده از روش­ها و الگوریتم­های ریاضی در طبقه­بندی و گونه­شناسی سفال­های باستانی پرداخته می­شود. آن­چه در وهله اول حائز اهمیت است، معرفی مجموعه­ای از ویژگی­های هندسی برای منحنی لبه خارجی سفال است که در قالب توابع RTC به الگوریتم­ها معرفی می­شوند. این توابع ویژگی­های یکتا و منحصر به فردی را برای هر منحنی لبه خارجی نشان می­دهند که از آن­ها در طبقه­بندی و گونه­شناسی سفال­ها استفاده می­شود. طبقه­بندی نمونه­ها به کمک شبکه عصبی مصنوعی و بر اساس توابع RTC انجام شده که در آن نمونه­ها با دقت حدود ۹۵% و در سه طبقه کاسه، کوزه و خمره قرار می­گیرند. شبکه عصبی طراحی شده یک شبکه سه لایه با یک لایه پنهان است که شامل دو نورون می­شود. خروجی شبکه کدهای رقومی صفر، ۱ و ۲ هستند که به ترتیب به لبه­های کاسه، کوزه و خمره اشاره می­کنند. در ادامه با تصحیح نمونه­های خطادار و از مجموع ۲۰۹ طرح سفال، ۱۲۸ نمونه در طبقه کاسه­ها (%۶۱.۲ نمونه­ها)، ۴۲ نمونه در طبقه کوزه­ها (%۲۰.۱ نمونه­ها) و ۳۹ نمونه در طبقه خمره­ها (%۱۸.۷ نمونه­ها) قرار می­گیرند. پس از انجام طبقه­بندی، گونه­شناسی نمونه­های موجود در هر طبقه نیز به کمک الگوریتم خوشه­بندی اتصال همسایگی صورت گرفته که در آن فرم لبه­های موجود در طبقات کاسه­ها، کوزه­ها و خمره­ها به ترتیب در ۸۳، ۲۲ و ۲۷ تیپ از یکدیگر متمایز می­شوند. دقت روش گونه­شناسی سفال­ها نیز بین ۹۵% تا ۹۷% درصد ارزیابی می­شود.

کلیدواژه ها:

Pottery ، Iron age ، RTC functions ، Artificial Neural Network ، Neighbor Joining algorithm ، سفال ، عصر آهن II ، توابع RTC ، طبقه بندی ، شبکه عصبی مصنوعی ، گونه شناسی