Migliorare la classificazione delle rovine umane antiche con reti neurali residuali usando spettri nel visibile e nel vicino infrarosso

Perché le città sepolte contano ancora oggi

In tutto il mondo, tracce di città e campi scomparsi da tempo giacciono nascoste sotto i nostri piedi, attenuate in un terreno ordinario da migliaia di anni di vento, acqua e agricoltura. Questi resti sepolti contengono indizi su come le società passate si siano adattate a cambiamenti climatici, alluvioni e boom demografici — problemi che riecheggiano i nostri. Tuttavia trovare rovine così sottili è un lavoro meticoloso che spesso dipende dall'occhio esperto sul sito di scavo. Questo studio esplora come fasci di luce visibile e nel vicino infrarosso, abbinati all'intelligenza artificiale moderna, possano trasformare un terreno anonimo in una ricca mappa di attività umane passate, accelerando le scoperte riducendo costi e congetture.

Cercare tracce nel terreno comune

Le rovine umane antiche non sono sempre templi imponenti o mura cittadine. Molte sono fosse di cenere, sepolture, fossati difensivi, muri di terra battuta compattata o cumuli di materiali edilizi frammentati che, col tempo, si confondono con i sedimenti circostanti. I rilevamenti tradizionali e persino le immagini satellitari faticano a distinguere queste strutture dai suoli naturali quando sono di piccole dimensioni o profondamente sepolte. La Cina centrale, culla della civiltà cinese con cinque millenni di insediamento quasi continuo, offre un banco di prova ideale. Lì contadini e fiumi hanno rimodellato ripetutamente il paesaggio, lasciando un complesso mosaico di depositi culturali — come fossati e piattaforme in terra battuta — intrecciati con loess, paleosuoli e sedimenti di fondo lacustre.

Trasformare la luce in impronte del passato

Per catturare le sottili differenze tra questi materiali, i ricercatori hanno raccolto più di 14.000 campioni spettrali in 27 siti archeologici della Cina centrale. Usando uno spettrometro da campo sotto cieli sereni a mezzogiorno, hanno misurato come ogni tipo di suolo o rovina riflettesse la luce attraverso centinaia di strette bande di lunghezza d'onda, dai colori visibili fino al vicino infrarosso. Ogni campione è così diventato una sorta di impronta ottica, modellata da dimensione dei granuli, umidità, contenuto organico e composizione minerale. Il team si è concentrato su otto categorie: fosse di cenere, sepolture, fossati, costruzioni in terra battuta, detriti architettonici, loess, paleosuoli e sedimenti lacustri. Coprendo culture da villaggi neolitici a epoche imperiali antiche, questi campioni catturano sia l'attività umana sia ambienti naturali variati.

Pulire il segnale e addestrare la macchina

I dati spettrali grezzi sono disordinati. Il vapor d'acqua nell'atmosfera introduce bande rumorose; anomalie dello strumento, variazioni di illuminazione e dimensioni irregolari dei granuli offuscano ulteriormente il quadro. Il team ha prima rimosso le regioni di lunghezza d'onda fortemente distorte e poi ha testato tre tecniche matematiche per ripulire le curve rimanenti. Una, chiamata Standard Normal Variate (SNV), riscalona ogni spettro per ridurre l'influenza della diffusione e delle differenze di dimensione dei granuli. Un'altra, Multiple Scattering Correction, separa la luce assorbita dal materiale dalla luce diffusa dalle particelle. Dopo il preprocessing, ogni spettro unidimensionale è stato rimodellato in una piccola immagine in scala di grigi 39 per 39, trattando la curva spettrale come una texture che un computer può riconoscere. I ricercatori hanno quindi addestrato diversi modelli di deep learning — tra cui AlexNet, MobileNetV2 e una rete residuale più profonda nota come ResNet50 — per classificare queste immagini nelle otto tipologie di rovine e sedimenti.

Quanto bene funziona il classificatore intelligente

Il miglior risultato è stato ottenuto dalla combinazione del preprocessing SNV con la rete ResNet50. Questa coppia ha raggiunto una precisione complessiva di classificazione di circa il 96,6 percento, superando la stessa rete senza preprocessing e gli altri modelli neurali. Si è dimostrata particolarmente efficace nel distinguere materiali che a occhio nudo sembrano simili, come diversi sedimenti sepolti. Anche quando i ricercatori hanno ridotto la quantità di dati di addestramento al 40 percento dei campioni disponibili, l'accuratezza è rimasta oltre il 93 percento, aumentando costantemente con l'aggiunta di esempi. Le analisi delle matrici di confusione hanno mostrato che alcune categorie, come i sedimenti lacustri e il loess, sono state identificate con affidabilità particolarmente elevata, mentre anche la classe più difficile — i detriti architettonici — ha comunque raggiunto un'accuratezza superiore al 95 percento.

Cosa significa per l'archeologia e oltre

Per i non specialisti, il risultato chiave è semplice: illuminando il terreno con uno spettro ampio di luce e lasciando che una rete neurale tarata interpreti le riflessioni, gli archeologi possono mappare rapidamente e in modo oggettivo dove le persone un tempo vivevano, coltivavano e costruivano — anche quando non sono visibili muri o manufatti. Questo metodo riduce la dipendenza dall'esperienza personale, accelera i rilievi sul campo e apre la strada a scansioni su larga scala semi-automatiche del paesaggio alla ricerca di tracce culturali sottili. Sebbene l'attuale set di dati sia tarato sul clima e sulla storia della Cina centrale, lo stesso approccio può essere esteso ad altre regioni e periodi man mano che si costruiranno più librerie spettrali. A lungo termine, la combinazione di rilevamento iperspettrale, intelligenza artificiale e altri strumenti da remoto potrebbe trasformare il modo in cui esploriamo le storie sepolte, offrendoci una visione più nitida di come le società antiche affrontarono i cambiamenti ambientali — e di come potremmo fare lo stesso.

Citazione: Luo, R., Chen, P., Wang, H. et al. Enhancing ancient human ruins classification with residual neural networks using visible near-infrared spectra. npj Herit. Sci. 14, 284 (2026). https://doi.org/10.1038/s40494-026-02564-x

Parole chiave: archeologia iperspettrale, rovine umane antiche, deep learning, spettri nel vicino infrarosso, rilevamento del patrimonio