Un team di ricercatori del Dipartimento di Antropologia e dell’Istituto Energia e Ambiente della Pennsylvania State University, del Morombe Archaeological Project, e dell’Université de Toliara (Toliara, Madagascar) ha utilizzato con successo un algoritmo predittivo di machine learning per identificare in un set di immagini satellitari Sentinel-2, scaricabili gratuitamente dal sito dell’Esa, segni degli insediamenti umani più remoti del Madagascar.
Le dimensioni dell'isola, 587 041 km² che ne fanno la quarta per estensione del mondo, e le particolari condizioni geomorfologiche accidentate hanno reso da sempre estremamente ardue, protratte nel tempo e costose le indagini archeologiche tanto che una piccolissima porzione dell'isola risulta attualmente esplorata anche se sommariamente dal punto di vista archeologico.
Tanto più difficili da individuare in questo contesto, per i noti vincoli finanziari, logistici e temporali che caratterizzano quasi ovunque la ricerca archeologica, sono proprio i siti più antichi dell'isola, quelli che sono stati proprio oggetto della ricerca pubblicata dal team nel numero di marzo 2020 del Journal of Archaeological Science. Riguardano infatti le tracce effimere e labili degli accampamenti mobili dei primi cacciatori/raccoglitori che popolarono l’isola.
Utilizzando modelli teorici derivati dall’Human Behavioral Ecology (ovvero, distribuzione libera ideale, teoria dell’approvigionamento ottimale) in combinazione con i dati telerilevati i ricercatori hanno dimostrato validando sul terreno l’efficacia dell’algoritmo predittivo da loro approntato come il rilevamento archeologico dei paesaggi del Madagascar possa essere rapidamente ampliato, indirizzando le ricerche sul campo in modo più efficace e puntuale e delineando nel contempo ulteriori linee di ricerca sulle moltissime domande ancora aperte sulle dinamiche di popolamento dell'isola.
Le ricerche hanno permesso in particolare di riscontare anche nel Madagascar paleolitico indizi del fenomeno noto come effetto Allee, dal nome dello studioso che lo evidenziò negli anni 30 del secolo scorso, ovvero di come l’aumento della densità della popolazione, la sua aggregazione, abbiano talvolta l’effetto di aumentarne, grazie agli interventi migliorativi sull’ambiente, fecondità e sopravvivenza.
Gli strumenti di apprendimento automatico si sono rivelati particolarmente adatti al contesto e utili a concentrare il tempo, il denaro e la fatica degli archeologi nelle zone suscettibili di aver ospitato l’insediamento umano nel passato.
Pur essendo la risoluzione delle immagini satellitari utilizzate insufficiente, con i metodi di analisi prevalenti attualmente nella ricerca, per cogliere direttamente i segni degli insediamenti umani essa è invece risultata pienamente adeguata all’algoritmo predittivo di machine learning. Rispetto all’indice NDVI (Normalized Difference Vegetation Index) gli studiosi hanno ritenuto più efficace utilizzare poi l’indice SAVI (soil adjusted vegetative index). Le ricerche future potranno comunque utilizzare immagini a risoluzione più elevata, anche non satellitari, permettendo l’identificazione di tracce specifiche di depositi culturali.
Usando questo metodo gli studiosi sono stati in grado di scansionare sistematicamente oltre 20 miglia quadrate di terra all'ora aumentando così esponenzialmente il tasso di rilevamento e scoperta di depositi archeologici rispetto ai metodi tradizionali di prospezione terrestre. L'algoritmo potrebbe essere in grado di aiutare gli archeologi e gli antropologi ad affrontare sfide ancora più grandi, di dimensioni continentali come quelle dell'Africa, culla della civiltà umana e focus di importanti questioni e dibattiti scientifici.