Modellazione basata sulla fisica per il rilevamento retrospettivo di proxy archeologici (cropmark)

Storie nascoste nei campi di tutti i giorni

In gran parte del mondo, normali campi coltivati coprono silenziosamente tracce di antiche tombe, muri e insediamenti. Queste strutture sepolte possono alterare sottilmente la crescita delle piante sovrastanti, creando deboli motivi chiamati cropmark che diventano visibili dall’alto o dai satelliti. Questo studio mostra come modelli basati sulla fisica e l’apprendimento automatico moderno possano lavorare insieme per rilevare quei motivi, anche in vecchie immagini d’archivio, aprendo nuove modalità per esplorare paesaggi passati senza disturbare il suolo.

Come i resti sepolti cambiano la crescita delle piante

Quando strutture in pietra si trovano appena sotto la superficie, modificano il modo in cui l’acqua e i nutrienti si muovono nel suolo. In alcuni punti le colture risultano stentate e stressate; in altri crescono più rigogliose, formando cropmark negative o positive. Queste differenze sono spesso troppo sottili per occhio nudo, ma cambiano il modo in cui le foglie riflettono la luce solare nelle bande visibili e nel vicino infrarosso. Misurando quella luce riflessa, i ricercatori possono individuare “impronte” spettrali di stress che suggeriscono ciò che giace sotto il suolo.

Un campo sperimentale costruito per imitare un sito antico

Per studiare questi segnali in condizioni controllate, il team ha utilizzato un piccolo campo d’orzo vicino al villaggio di Alampra a Cipro. Sotto questa parcella di cinque per cinque metri sono state costruite strutture pensate per assomigliare a tombe antiche a bassa profondità, mantenendo con cura gli strati naturali del suolo. In due stagioni di crescita separate da tredici anni, hanno raccolto misure dettagliate della luce riflessa dalle colture sopra le strutture sepolte, dalle colture sane nei dintorni e dal suolo nudo. La campagna più recente si è concentrata sui mesi invernali critici, quando le colture sono al massimo del verde e in seguito mentre invecchiano e si seccano.

Simulare la luce delle piante per creare dati virtuali

Il fulcro dell’approccio è un modello al computer chiamato PROSAIL, che usa la fisica della propagazione della luce attraverso le foglie e la chioma per mettere in relazione ciò che un sensore vede con caratteristiche delle piante come pigmenti fogliari, contenuto d’acqua e densità. I ricercatori hanno prima “invertito” il modello: gli hanno fornito gli spettri misurati e hanno chiesto quali combinazioni di proprietà vegetali potessero spiegare quei segnali, guidando delicatamente la soluzione verso valori realistici dalla scienza delle colture. Da queste proprietà stimate hanno costruito descrizioni statistiche di come ogni caratteristica variava e di come le caratteristiche fossero correlate tra loro sia per i cropmark sia per le piante sane in ogni data di osservazione.

Costruire campi sintetici per l’apprendimento automatico

Usando questi schemi statistici, il team ha generato ampi insiemi sintetici di proprietà delle piante e ha fatto girare PROSAIL in avanti per produrre migliaia di spettri “virtuali” realistici per ciascuna condizione di coltura e data. Ogni spettro sintetico aveva un’etichetta nota: sopra una struttura sepolta o area sana. Hanno poi addestrato un insieme di diversi classificatori di apprendimento automatico su questi dati sintetici, talvolta aggiungendo piccole quantità di rumore per imitare meglio i sensori reali. Il test chiave è stato retrospettivo: i modelli costruiti dalla campagna del 2025 sono stati usati per identificare firme di cropmark nelle misure del 2012, simulando efficacemente come tali strumenti potrebbero scandagliare vecchi archivi aerei o satellitari.

Cosa hanno rivelato i modelli su tempistica e affidabilità

I test retrospettivi hanno mostrato che il metodo può classificare correttamente oltre il 90 percento delle firme passate in condizioni favorevoli. I modelli hanno funzionato meglio quando le colture erano nella fase di massimo verde, quando la chioma è densa e le proprietà fogliari sono relativamente uniformi. In questo periodo anche classificatori semplici, quasi lineari, hanno dato buoni risultati, e l’aggiunta di rumore ha reso i modelli leggermente più robusti. Con l’avanzare della stagione verso la senescenza, quando le piante diventano più eterogenee in colore e struttura, le previsioni si sono fatte meno stabili e più sensibili alla quantità di dati sintetici usati per l’addestramento. Tuttavia, gli spettri sintetici sono rimasti vicini a quelli reali e i modelli di apprendimento automatico hanno comunque potuto trovare pattern utili, specialmente se ottimizzati con cura.

Perché questo è importante per esplorare il passato

Questa ricerca dimostra una pipeline riproducibile che parte da modelli fisici di come le piante interagiscono con la luce, usa quei modelli per costruire dati di addestramento sintetici e poi applica l’apprendimento automatico per rilevare deboli tracce dell’attività umana passata. Per un non specialista, l’idea chiave è che ora possiamo usare la nostra comprensione della fisica delle piante per “insegnare” ai computer come dovrebbero apparire i resti sepolti in termini spettrali, e poi mandare quei rilevatori addestrati indietro nel tempo per cercare nelle immagini d’archivio. Pur basandosi su una singola parcella di prova e necessitando di estensioni a colture, suoli e climi diversi, offre una strada per scandagliare sistematicamente archivi aerei e satellitari alla ricerca di cropmark ormai sbiaditi, aiutando gli archeologi a riscoprire siti nascosti che il paesaggio odierno potrebbe non rivelare più.

Citazione: 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

Parole chiave: cropmark, prospezione archeologica, telerilevamento, dati sintetici, apprendimento automatico