Per decenni l’iconografia dell’archeologo è rimasta legata al mito di Indiana Jones: cappello in testa, cazzuola in mano e anni di scavi sotto il sole alla ricerca di qualche indizio sepolto. Oggi quella narrazione si sta trasformando radicalmente. L’archeologo moderno trascorre sempre più tempo davanti a monitor ad alta risoluzione, addestrando reti neurali ad analizzare terabyte di dati spaziali provenienti dallo spazio e dal cielo.

Siamo entrati nell’era dell’Archeologia Predittiva: la disciplina che unisce Big Data, telerilevamento e Intelligenza Artificiale per individuare siti storici mai catalogati prima ancora di piantare la prima pala nel terreno.

Il Triangolo Tecnologico: Dati, Laser e Reti Neurali

Come fa un algoritmo a “vedere” attraverso metri di terra o sotto una fitta foresta pluviale? Il processo si basa sull’integrazione di tre tecnologie chiave:

• LiDAR (Light Detection and Ranging): È un sistema di scansione laser montato su aerei o droni. Sparando centinaia di migliaia di impulsi di luce al secondo verso il suolo, il LiDAR riesce a penetrare le chiome degli alberi. Misurando il tempo impiegato dalla luce per tornare indietro, crea un modello digitale del terreno (DTM) privo di vegetazione, svelando micro-rilievi impossibili da notare a occhio nudo.
• Immagini Satellitari Multispettrali: I satelliti catturano frequenze di luce non visibili all’occhio umano (come l’infrarosso). La vegetazione che cresce sopra un muro romano sepolto soffre di minore umidità e cresce diversamente rispetto a quella su un terreno libero. Queste lievi anomalie, chiamate crop marks (tracce da coltivazione), indicano la presenza di strutture sottostanti.
• Computer Vision e Machine Learning: Raccogliere terabyte di immagini è inutile se un essere umano deve esaminarle foto per foto. Qui entrano in gioco le Convolutional Neural Networks (CNN): algoritmi di visione artificiale addestrati a riconoscere forme geometriche ricorrenti (cerchi, rettangoli, linee rette o tumuli) all’interno delle mappe topografiche e satellitari.

Dalla Giungla Maya ai Campi d’Europa: Casi Studio Reali

I risultati di questa convergenza tecnologica stanno riscrivendo i libri di storia a una velocità senza precedenti.

La riscoperta del mondo Maya

Nel 2018, una scansione LiDAR coprente oltre 2.000 km² nella giungla del Petén, in Guatemala, ha rivelato oltre 60.000 strutture Maya svelate in un solo colpo: piramidi, fortificazioni, canali di irrigazione e sopraelevate che collegavano città finora ritenute isolate. Ciò che richiedeva secoli di ricognizioni sul campo è stato mappato in poche settimane.

La mappa nascosta dell’Amazzonia

Per anni si è pensato che l’Amazzonia fosse una foresta vergine e quasi disabitata prima dell’arrivo degli europei. Incrociando dati satellitari e algoritmi di machine learning, i ricercatori hanno identificato centinaia di geoglifi e insediamenti fortificati nascosti sotto la vegetazione, dimostrando che la regione ospitava civiltà complesse ed estese.

L’archeologia preventiva in Italia

In contesti fortemente antropizzati come l’Italia e l’Europa, l’IA viene usata per analizzare le tracce della centuriazione romana o degli insediamenti dell’Età del Bronzo nei campi agricoli. L’algoritmo evidenzia le discontinuità nel terreno dovute a vecchi fossati o fondamenta sepolte, guidando la tutela del territorio prima della costruzione di infrastrutture moderne.

Impatto Operativo: Non Solo Scoperte, ma Tutela e Prevenzione

I vantaggi dell’archeologia predittiva vanno ben oltre il fascino della scoperta:

1. Velocità e Scalabilità: Analisi territoriali che in passato richiedevano l’impegno di intere generazioni di studiosi vengono completate in poche ore di calcolo.
2. Archeologia Preventiva: Quando si progetta una linea ferroviaria o un’autostrada, l’IA permette di sapere in anticipo dove si rischia di impattare su resti archeologici, riducendo i tempi di blocco dei cantieri e salvaguardando il patrimonio storico.
3. Lotta al Sciacallaggio (Looting): Satelliti ad alta risoluzione analizzano costantemente siti a rischio in aree di conflitto o remote. Gli algoritmi di change detection segnalano automaticamente alle autorità la comparsa improvvisa di buchi nel terreno scavati da tombaroli.

I Limiti dell’Algoritmo: Perché l’Archeologo resta Insostituibile

Nonostante l’efficienza dei modelli predittivi, la macchina non è infallibile:

• Falsi Positivi: Un vecchio sistema di drenaggio agricolo moderno può facilmente essere scambiato da un modello di computer vision per una strada romana.
• Dipendenza dai Dati di Addestramento: Se un algoritmo è stato addestrato per riconoscere tumuli nell’Europa settentrionale, farà molta fatica a identificare strutture in mattoni di fango nel Medio Oriente.

Per questo motivo, la fase finale della ricerca rimane sempre il Ground-Truthing: il riscontro sul campo. L’Intelligenza Artificiale non sostituisce lo scavo, ma dice all’archeologo esattamente dove scavare, ottimizzando risorse economiche e di tempo spesso molto limitate.

In conclusione,l’archeologia predittiva dimostra come Big Data e Intelligenza Artificiale non servano soltanto a ottimizzare processi industriali o a profilare consumatori. Applicati ai beni culturali, questi strumenti amplificano la nostra visione e ci restituiscono pagine di storia che credevamo perse per sempre sotto il peso dei secoli.