Modélisation physique pour la détection rétrospective de proxies archéologiques (cropmarks)

Histoires cachées dans des champs ordinaires

Dans une grande partie du monde, des champs cultivés ordinaires recouvrent silencieusement des traces de tombes anciennes, de murs et d'habitats. Ces structures enfouies peuvent modifier subtilement la croissance des plantes au-dessus d'elles, créant des motifs discrets appelés cropmarks qui deviennent visibles depuis les airs ou les satellites. Cette étude montre comment des modèles basés sur la physique et l'apprentissage automatique moderne peuvent s'associer pour détecter ces motifs, même dans de vieilles images d'archives, ouvrant de nouvelles façons d'explorer les paysages anciens sans perturber le sol.

Comment les vestiges enfouis modifient les plantes en croissance

Quand des structures en pierre se trouvent juste sous la surface, elles modifient la façon dont l'eau et les nutriments circulent dans le sol. Par endroits, les cultures sont rabougries et stressées ; ailleurs, elles poussent plus vigoureusement, formant des cropmarks négatifs ou positifs. Ces différences sont souvent trop subtiles pour l'œil nu, mais elles changent la manière dont les feuilles réfléchissent la lumière du soleil dans les longueurs d'onde visibles et dans le proche infrarouge. En mesurant cette lumière réfléchie, les chercheurs peuvent repérer des « empreintes » spectrales de stress qui suggèrent ce qui se trouve sous le sol.

Un champ expérimental construit pour imiter un site ancien

Pour étudier ces signaux dans des conditions contrôlées, l'équipe a utilisé une petite parcelle d'orge près du village d'Alampra à Chypre. Sous cette parcelle de cinq sur cinq mètres, ils ont construit des structures conçues pour ressembler à des tombes anciennes à faible profondeur, en conservant soigneusement la stratification naturelle du sol. Sur deux saisons de croissance séparées par treize ans, ils ont collecté des mesures détaillées de la lumière réfléchie par les cultures au-dessus des structures enfouies, par des cultures saines à proximité et par le sol nu. La campagne la plus récente s'est concentrée sur les mois d'hiver cruciaux, lorsque les cultures présentent une verdure maximale, puis plus tard à mesure qu'elles vieillissent et se dessèchent.

Simuler la lumière des plantes pour créer des données virtuelles

Le cœur de l'approche est un modèle informatique appelé PROSAIL, qui exploite la physique de la lumière traversant les feuilles et le couvert végétal pour relier ce qu'un capteur observe à des caractéristiques des plantes, telles que les pigments foliaires, la teneur en eau et la densité. Les chercheurs ont d'abord « inversé » le modèle : ils lui ont fourni les spectres mesurés et ont demandé quelles combinaisons de propriétés végétales pouvaient les expliquer, en orientant doucement la solution vers des valeurs réalistes issues de la science des cultures. À partir de ces propriétés estimées, ils ont construit des descriptions statistiques de la façon dont chaque trait variait et de la manière dont les traits étaient liés entre eux, pour les cropmarks et pour les plantes saines à chaque date d'observation.

Construire des champs synthétiques pour l'apprentissage automatique

En utilisant ces distributions statistiques, l'équipe a généré de grands ensembles synthétiques de propriétés végétales et a exécuté PROSAIL en sens direct pour produire des milliers de spectres « virtuels » réalistes pour chaque condition de culture et date. Chaque spectre synthétique portait une étiquette connue : au-dessus d'une structure enfouie ou zone saine. Ils ont ensuite entraîné un ensemble de classifieurs d'apprentissage automatique différents sur ces données synthétiques, ajoutant parfois de petites quantités de bruit pour mieux imiter les capteurs réels. Le test clé était rétrospectif : des modèles construits à partir de la campagne de 2025 devaient identifier des signatures de cropmarks dans les mesures de 2012, simulant ainsi comment de tels outils pourraient exploiter de vieux enregistrements aériens ou satellitaires.

Ce que les modèles ont révélé sur le moment et la fiabilité

Les tests rétrospectifs ont montré que la méthode peut classer correctement plus de 90 pour cent des signatures passées dans des conditions favorables. Les modèles ont mieux fonctionné lorsque les cultures étaient à leur pic de verdure, quand le couvert est dense et les propriétés foliaires relativement homogènes. Pendant cette période, même des classifieurs simples et presque linéaires ont bien performé, et l'ajout de bruit rendait les modèles légèrement plus robustes. À mesure que la saison progressait vers la sénescence et que les plantes devenaient plus inégales en couleur et en structure, les prédictions devenaient moins stables et plus sensibles à la quantité de données synthétiques utilisées pour l'entraînement. Néanmoins, les spectres synthétiques restaient proches des réels, et les modèles d'apprentissage automatique pouvaient encore extraire des motifs utiles, surtout lorsqu'ils étaient soigneusement ajustés.

Pourquoi cela importe pour l'exploration du passé

Cette recherche démontre une chaîne reproductible qui part de modèles physiques de l'interaction plantes-lumière, utilise ces modèles pour construire des données d'entraînement synthétiques, puis applique l'apprentissage automatique pour détecter des traces subtiles d'activités humaines passées. Pour le non-spécialiste, l'idée clé est que nous pouvons désormais utiliser notre compréhension de la physique des plantes pour « apprendre » aux ordinateurs à quoi ressemblent spectrale ment des vestiges enfouis, puis renvoyer ces détecteurs entraînés dans le temps pour fouiller des images d'archives. Si le travail actuel repose sur une seule parcelle-test et doit être étendu à différentes cultures, sols et climats, il ouvre une voie pour scanner systématiquement les archives aériennes et satellitaires à la recherche de cropmarks disparus de longue date, aidant les archéologues à redécouvrir des sites cachés que le paysage contemporain ne révèle plus forcément.

Citation: 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

Mots-clés: cropmarks, prospection archéologique, télédétection</keyword<t>> <keyword>données synthétiques, apprentissage automatique