Določanje provenience apnenca v zgodovinskih kontekstih predstavlja stalen metodološki izziv, zlasti pri mikritnih apnencih. Mikriti (apnenci, sestavljeni zgolj iz litificiranega karbonatnega mulja) nimajo diagnostičnih značilnosti, kot so fosili, zrna ali sedimentarne strukture, zato je določanje provenience posebej zahtevno.

To težavo smo naslovili z analizo rimskih kamnitih izdelkov. S tradicionalnimi petrološkimi metodami predhodno nismo uspeli določiti provenience kar 72 % izdelkov zaradi prisotnosti mikritov. Z napredkom statistike so bile razvite zmogljive metode statističnega učenja za različne namene — od napovedovanja ponovitve raka do gibanja vrednosti na borzi ali vremenskih napovedi. Napredne statistične metode smo uporabili v našem primeru za klasifikacijo provenience mikritnega apnenca.

Pokazali smo, da se natančnost določitev izvora izboljša, ko zmanjšamo število spremenljivk in natančno nastavimo hiperparametre modela. Nadalje smo demonstrirali, da lahko razvrstitve po pomembnosti spremenljivk pri statističnih klasifikatorjih prepoznajo najbolj informativne spremenljivke za določanje provenience; v našem naboru podatkov je najuporabnejše razmerje 87Sr/86Sr. Podali smo tudi smernice za uporabo statističnega učenja pri klasifikaciji provenience. Pristop ni omejen na apnenec. Prilagoditi ga je mogoče tudi drugim vrstam kamnin (npr. dolomitom, rožencem, sadri ali marmorju) ter drugim materialom (npr. teseram, keramiki in maltam).

Povzeto po članku: BRAJKOVIČ, Rok, KOSELJ, Klemen. Statistical learning improves classification of limestone provenance. Heritage. 2025, vol. 8, no. 11, 21 str. ISSN 2571-9408. DOI: 10.3390/heritage8110464. [COBISS.SI-ID 256913155]