Modelado físico para la detección retrospectiva de indicios arqueológicos (marcas de cultivo)

Historias ocultas en campos cotidianos

En gran parte del mundo, campos de cultivo corrientes cubren silenciosamente vestigios de tumbas, muros y asentamientos antiguos. Estas estructuras enterradas pueden modificar sutilmente cómo crecen las plantas sobre ellas, creando patrones tenues llamados marcas de cultivo que se vuelven visibles desde el aire o desde satélites. Este estudio muestra cómo los modelos basados en la física y el aprendizaje automático moderno pueden combinarse para detectar esos patrones, incluso en imágenes archivadas antiguas, abriendo nuevas formas de explorar paisajes pasados sin alterar el terreno.

Cómo los restos enterrados cambian el crecimiento de las plantas

Cuando estructuras de piedra yacen justo debajo de la superficie, alteran el movimiento del agua y los nutrientes en el suelo. En algunos lugares, los cultivos se quedan rezagados y sufren estrés; en otros, crecen con mayor vigor, formando marcas de cultivo negativas o positivas. Estas diferencias suelen ser demasiado sutiles para el ojo, pero modifican cómo las hojas reflejan la luz solar en longitudes de onda visibles e infrarrojas cercanas. Midiendo esa luz reflejada, los investigadores pueden detectar “huellas” espectrales de estrés que sugieren lo que hay bajo el suelo.

Un campo experimental construido para imitar un yacimiento antiguo

Para estudiar estas señales en condiciones controladas, el equipo utilizó un pequeño campo de cebada cerca del pueblo de Alampra en Chipre. Bajo esta parcela de cinco por cinco metros, construyeron estructuras diseñadas para asemejarse a tumbas antiguas a poca profundidad, manteniendo cuidadosamente la estratificación natural del suelo. Durante dos campañas de cultivo separadas por trece años, recopilaron mediciones detalladas de la luz reflejada por los cultivos sobre las estructuras enterradas, de cultivos sanos cercanos y de suelo desnudo. La campaña más reciente se centró en los meses invernales cruciales, cuando los cultivos muestran su máximo verdor y más tarde a medida que envejecen y se secan.

Simulando la luz de las plantas para crear datos virtuales

El núcleo del enfoque es un modelo informático llamado PROSAIL, que utiliza la física de la transmisión de la luz a través de las hojas y el dosel vegetal para relacionar lo que un sensor ve con rasgos de la planta como pigmentos foliares, contenido de agua y densidad. Los investigadores primero “invertieron” el modelo: le introdujeron los espectros medidos y consultaron qué combinaciones de propiedades vegetales podían explicarlos, guiando suavemente la solución hacia valores realistas según la ciencia de los cultivos. A partir de esas propiedades estimadas, construyeron descripciones estadísticas de cómo variaba cada rasgo y de cómo los rasgos se vinculaban entre sí tanto para las marcas de cultivo como para las plantas sanas en cada fecha de observación.

Construcción de campos sintéticos para el aprendizaje automático

Usando estos patrones estadísticos, el equipo generó grandes conjuntos sintéticos de propiedades de las plantas y ejecutó PROSAIL en sentido directo para producir miles de espectros “virtuales” realistas para cada condición de cultivo y fecha. Cada espectro sintético llevaba una etiqueta conocida: sobre una estructura enterrada o sobre un área sana. A continuación entrenaron un conjunto de clasificadores de aprendizaje automático diversos con estos datos sintéticos, añadiendo en ocasiones pequeñas cantidades de ruido para imitar mejor a los sensores reales. La prueba clave fue retrospectiva: modelos construidos a partir de la campaña de 2025 fueron puestos a identificar firmas de marcas de cultivo en las mediciones de 2012, simulando efectivamente cómo estas herramientas podrían sondear registros aéreos o satelitales antiguos.

Qué revelaron los modelos sobre el momento y la fiabilidad

Las pruebas retrospectivas demostraron que el método puede clasificar correctamente más del 90 por ciento de las firmas pasadas en condiciones favorables. Los modelos funcionaron mejor cuando los cultivos estaban en su fase de máximo verdor, cuando el dosel es denso y las propiedades foliares son relativamente uniformes. Durante este periodo, incluso clasificadores simples y casi lineales obtuvieron buenos resultados, y añadir ruido hizo que los modelos fuesen algo más robustos. A medida que la estación avanzaba hacia la senescencia y las plantas se volvían más irregulares en color y estructura, las predicciones se volvieron menos estables y más sensibles a la cantidad de datos sintéticos usados para el entrenamiento. No obstante, los espectros sintéticos se mantuvieron próximos a los reales, y los modelos de aprendizaje automático aún pudieron encontrar patrones útiles, especialmente cuando se ajustaron con cuidado.

Por qué esto importa para explorar el pasado

Esta investigación demuestra una canalización reproducible que parte de modelos físicos de cómo las plantas interactúan con la luz, usa esos modelos para construir datos sintéticos de entrenamiento y luego aplica aprendizaje automático para detectar huellas sutiles de la actividad humana pasada. Para un público no especializado, la idea clave es que ahora podemos usar nuestro conocimiento de la física vegetal para “enseñar” a las máquinas cómo deberían aparecer los restos enterrados en términos espectrales, y luego enviar esos detectores entrenados al pasado para buscar en imágenes archivadas. Aunque el trabajo actual se basa en una única parcela de ensayo y necesita ampliarse a distintos cultivos, suelos y climas, ofrece un camino para escanear sistemáticamente archivos aéreos y satelitales en busca de marcas de cultivo desvanecidas, ayudando a los arqueólogos a redescubrir sitios ocultos que el paisaje actual ya no revela.

Cita: Gravanis, E., Agapiou, A. Physically-based modelling for retrospective detection of archaeological proxies (cropmarks). Sci Rep 16, 15089 (2026). https://doi.org/10.1038/s41598-026-45441-0

Palabras clave: marcas de cultivo, prospección arqueológica, teledetección, datos sintéticos, aprendizaje automático