Telerilevamento satellitare e Deep Learning: pipeline di computer vision per l'individuazione automatica di Cropmarks e la sorveglianza dei paesaggi archeologici a rischio.
La gestione e la tutela del patrimonio archeologico su scala territoriale affrontano una sfida cruciale: l'individuazione tempestiva dei siti sepolti e il monitoraggio continuo dei paesaggi culturali soggetti a trasformazioni antropiche, erosione ed eventi climatici estremi. In questo contesto, l'integrazione tra le costellazioni satellitari di osservazione della Terra — prima fra tutte la flotta Copernicus dell'Agenzia Spaziale Europea (ESA) con i sensori multispettrali di Sentinel-2 — e le architetture avanzate di Intelligenza Artificiale sta trasformando radicalmente la geomatica per l'archeologia dei paesaggi.
La prospezione archeologica da satellite si basa storicamente sul riconoscimento delle tracce nel suolo (soilmarks), topografiche (shadowmarks) e fitografiche (cropmarks). I cropmarks si manifestano come variazioni cromatiche o di rigoglio vegetativo causate dalla presenza sotterranea di strutture murarie (che riducono l'umidità del suolo e rallentano la crescita delle piante) o di fossati e cavità antiche (che accumulano umidità e sostanze organiche, stimolando uno sviluppo vegetativo più rigoglioso). Sebbene l'interpretazione visiva delle immagini aeree e satellitari abbia permesso per decenni la scoperta di migliaia di siti, la disponibilità quotidiana di una mole imponente di dati satellitari a scala globale rende l'analisi manuale non più sostenibile.
Qui entra in gioco il Deep Learning e, in particolare, le reti neurali convoluzionali (CNN) e le architetture Transformer applicate all'analisi spaziale e temporale. Le nuove pipeline di elaborazione consentono di processare automaticamente le serie temporali dei dati multispettrali Sentinel-2, sfruttando bande non visibili dall'occhio umano, come l'infrarosso vicino (NIR) e l'infrarosso a onde corte (SWIR). Calcolando indici spettrali specifici — come l'Index of Vegetation (NDVI), il Normalized Difference Water Index (NDWI) e l'Enhanced Vegetation Index (EVI) — i modelli di IA analizzano le variazioni fenologiche della vegetazione nel corso delle stagioni. L'algoritmo riconosce anomalie spettrali minime distribuite lungo geometrie regolari (cerchi, rettangoli, tracciati viari antichi), isolando la "traccia archeologica" dal rumore di fondo del terreno agricolo o naturale.
Oltre alla prospezione e all'individuazione di nuovi siti sepolti, la combinazione tra dati Copernicus e intelligenza artificiale apre scenari inediti per la cartografia del rischio e la conservazione preventiva dei parchi archeologici. Sfruttando gli algoritmi di Change Detection, il sistema monitora costantemente le aree protette per segnalare scavi abusivi (looting), abusivismo edilizio, espansione delle aree urbane o modifiche non autorizzate della copertura del suolo. Inoltre, integrando i dati ottici con le misurazioni interferometriche radar a apertura sintetica (DInSAR da Sentinel-1), le piattaforme WebGIS di gestione del territorio possono rilevare micromovimenti del terreno, subsidenze e fenomeni di instabilità dei versanti che minacciano monumenti e centri storici.
L'adozione di standard Open Data per la distribuzione delle immagini e di framework Open Source per lo sviluppo di modelli di Machine Learning rende questa metodologia estremamente democratica e scalabile. Enti di tutela, parchi archeologici e soprintendenze possono accedere a piattaforme cloud geospaziali per generare mappe di potenziale archeologico e bollettini di rischio aggiornati in tempo reale. Il futuro del remote sensing per i beni culturali risiede nell'integrazione di sensori iperspettrali di nuova generazione (come la missione PRISMA dell'ASI) con modelli analitici multiscala capaci di dialogare nativamente con i sistemi GIS e le infrastrutture di dati territoriali nazionali ed europee.