La Deposizione Baglioni di Raffaello rappresenta da decenni un banco di prova privilegiato per sperimentare e mostrare le potenzialità dei nuovi sistemi diagnostici applicati ai dipinti.
La storia delle indagini scientifiche sull’opera risale almeno al 1972, quando alcuni ricercatori italiani pubblicarono su Archaeometry uno dei primi contributi dedicati all’impiego della fluorescenza a raggi X per l’analisi non distruttiva di dipinti e smalti. Tra gli autori figuravano studiosi e restauratori legati all’Istituto Centrale del Restauro, tra cui Marcello Paribeni Marabelli, Paolo Mora e Giovanni Urbani.
A distanza di 54 anni, questo lungo percorso non è stato ancora sufficiente, almeno nel nostro Paese, per determinare l’affermazione definitiva e sistematica dell’approccio diagnostico nei beni culturali e, in particolare, nello studio dei dipinti.
In altri settori, le indagini strumentali hanno quasi completamente sostituito o integrato le tecniche diagnostiche tradizionali, migliorando precisione e accuratezza e aprendo la strada alla prevenzione. Raramente, infatti, una singola tecnica risulta sufficiente. L’efficacia di un sistema diagnostico cresce inoltre con la quantità e la qualità dei dati disponibili, ma rimane indispensabile la presenza di personale esperto, capace di interpretare i risultati in relazione alla storia materiale e conservativa dell’opera.
Un recente studio dedicato alla Deposizione Baglioni dimostra come la combinazione tra Hyperspectral Imaging in riflettanza (HSI) e Macro X-Ray Fluorescence (MA-XRF) permetta di analizzare pigmenti, materiali e tecniche esecutive con un livello di dettaglio superiore rispetto all’impiego separato delle singole metodologie.
La costruzione di un sistema diagnostico
L’articolo mostra la progressiva affermazione di un vero sistema diagnostico. La conoscenza preliminare dell’opera, della sua tecnica esecutiva e della sua storia conservativa permette di selezionare più efficacemente le tecnologie da impiegare e di formulare domande scientifiche mirate.
La disponibilità di centri diagnostici specializzati, tuttavia, non è ancora capillare come accade nella medicina o nei controlli non distruttivi industriali. Anche per questa ragione il trasferimento delle metodologie più avanzate verso musei, soprintendenze e laboratori territoriali procede lentamente.
Per molti anni la fluorescenza a raggi X è stata una delle tecniche di riferimento per lo studio dei dipinti. Inizialmente impiegata attraverso misure puntuali, la XRF si è evoluta fino a consentire la mappatura bidimensionale degli elementi chimici sull’intera superficie dell’opera, trasformandosi in una tecnica di imaging chimico.
L’Hyperspectral Imaging associa invece alla dimensione spaziale dell’immagine la risposta spettrale dei materiali. Nel caso della Deposizione Baglioni, le acquisizioni sono state effettuate nell’intervallo 400–1700 nanometri, comprendendo il visibile, il vicino infrarosso e parte dello SWIR. HSI e MA-XRF sono quindi naturalmente complementari: la prima restituisce informazioni legate al comportamento ottico e molecolare dei materiali, mentre la seconda ne rileva e mappa la composizione elementare.
Quali dati produce l’imaging multimodale
Dal punto di vista archeometrico, uno dei principali vantaggi consiste nella possibilità di costruire dataset multidimensionali estesi all’intera superficie del dipinto. Tra le informazioni ricavabili figurano:
- distribuzione dei pigmenti;
- composizione elementare;
- firme spettrali dei materiali;
- identificazione di ritocchi;
- modifiche compositive e fasi intermedie;
- pentimenti e caratteristiche del disegno preparatorio;
- stato di conservazione e alterazioni cromatiche;
- precedenti interventi di restauro.
Nel caso della Deposizione Baglioni, le indagini hanno prodotto mappe dell’intera superficie con risoluzione submillimetrica. Le elaborazioni HSI hanno evidenziato particolari del disegno preparatorio e fasi intermedie non chiaramente riconoscibili con le tecniche tradizionali. Le mappe MA-XRF hanno invece documentato la distribuzione degli elementi chimici e, indirettamente, quella di numerosi pigmenti.
I risultati possono essere integrati con spettroscopia Raman, FTIR, riflettografia infrarossa, imaging UV e analisi di microcampioni, generando una documentazione scientifica particolarmente ricca.
Perché HSI e MA-XRF sono complementari
La fluorescenza X identifica gli elementi chimici presenti, ma non sempre consente di distinguere materiali o pigmenti caratterizzati da composizioni elementari simili. Il riconoscimento di un elemento, inoltre, non conduce automaticamente all’identificazione univoca del composto o della sua collocazione nella stratigrafia pittorica.
L’imaging iperspettrale permette invece di distinguere materiali dotati di differenti comportamenti ottici e firme spettrali, anche quando condividono alcuni elementi chimici. L’analisi congiunta riduce quindi le ambiguità interpretative e migliora l’affidabilità dell’identificazione.
Un risultato particolarmente significativo riguarda i pigmenti rossi. Il confronto tra dati HSI e mappe MA-XRF ha permesso di ricostruire l’uso selettivo del vermiglione e della lacca rossa, applicati con differenti spessori e sovrapposizioni per ottenere tonalità ed effetti luminosi diversi. Sulla veste di Grifonetto è stata individuata una velatura di lacca rossa sovrapposta a uno strato di vermiglione.
Dall’acquisizione all’interpretazione dei dati
Uno degli aspetti più sorprendenti è la quantità di dati prodotta. Il solo datacube VNIR relativo all’intera superficie della Deposizione Baglioni raggiunge circa 0,5 terabyte.
Un trattamento esclusivamente manuale appare impraticabile. Diventa necessario ricorrere a sistemi capaci di ridurre, classificare, confrontare e visualizzare le informazioni, in attesa che strumenti di intelligenza artificiale sempre più maturi possano affiancare stabilmente gli specialisti.
Registrazione geometrica, ricomposizione delle scansioni, fusione dei dataset, analisi statistica multivariata, Principal Component Analysis (PCA), Minimum Noise Fraction (MNF), classificazione spettrale e algoritmi di machine learning stanno diventando componenti essenziali del workflow diagnostico.
L’intelligenza artificiale potrà contribuire al riconoscimento di ricorrenze, anomalie e correlazioni difficilmente individuabili manualmente, ma non potrà sostituire automaticamente l’esperienza degli archeometri, dei restauratori e degli storici dell’arte. Nell’interpretazione non si può prescindere dalle tecniche artistiche, dai materiali, dalle pratiche specifiche dell’autore e dalle conoscenze acquisite dalla critica storico-artistica.
I vantaggi dell’approccio integrato
- maggiore accuratezza nell’identificazione dei materiali;
- riduzione delle incertezze interpretative;
- analisi completamente non invasiva;
- copertura estesa dell’intera superficie;
- documentazione digitale permanente;
- individuazione di pentimenti e fasi intermedie;
- supporto alle decisioni conservative;
- possibilità di confronto e monitoraggio nel tempo;
- integrazione con Digital Twin e sistemi informativi dedicati alla conservazione.
I limiti ancora da superare
L’integrazione dei dataset richiede procedure di registrazione geometrica estremamente accurate. Deformazioni del supporto, differenze di scala e risoluzione e modalità di acquisizione proprie di ciascuno strumento possono rendere complessa la sovrapposizione delle immagini.
Nel caso della Deposizione Baglioni, per coprire l’intera superficie con la MA-XRF sono state necessarie 21 acquisizioni parzialmente sovrapposte, successivamente ricomposte. A queste difficoltà si aggiungono tempi relativamente lunghi, costi elevati della strumentazione, competenze interdisciplinari e investimenti in infrastrutture informatiche e software specializzati.
La disponibilità del dato non coincide automaticamente con la sua comprensione. Una visualizzazione può evidenziare una discontinuità, ma la sua interpretazione richiede sempre il confronto con la tecnica esecutiva, la storia dell’opera e le informazioni provenienti dalle altre indagini.
Le prospettive della nuova archeometria
La tendenza verso workflow diagnostici integrati appare ormai consolidata. Nei prossimi anni l’evoluzione riguarderà soprattutto l’integrazione tra imaging multimodale, intelligenza artificiale, Digital Twin e sistemi di monitoraggio continuo.
L’obiettivo non sarà soltanto documentare le opere, ma costruire modelli digitali dinamici capaci di raccogliere e mettere in relazione dati diagnostici, informazioni conservative, interventi di restauro e variazioni osservate nel tempo. La diagnostica potrà così diventare uno strumento permanente di conoscenza e conservazione preventiva, anziché essere attivata soltanto in occasione di un restauro o di un’emergenza.
Conclusioni
Lo studio dedicato alla Deposizione Baglioni conferma che il futuro dell’archeometria non risiede in una singola tecnologia, ma nella capacità di integrare metodologie complementari.
La combinazione tra Hyperspectral Imaging e Macro X-Ray Fluorescence dimostra come l’imaging multimodale possa fornire una conoscenza più approfondita dei materiali, della stratigrafia e delle tecniche esecutive, migliorando la qualità della diagnostica non invasiva.
Per laboratori, musei e istituti di ricerca questa evoluzione rappresenta un cambiamento metodologico destinato a influenzare documentazione, monitoraggio e conservazione del patrimonio culturale. Il vero progresso non consiste soltanto nel produrre immagini più sofisticate, ma nel trasformare quantità crescenti di dati in conoscenza scientifica affidabile e in decisioni conservative consapevoli.
Fonti
- C. Cucci, M. Picollo, L. Stefani et al., Integrated reflectance hyperspectral imaging and macro-XRF for a full-surface non-invasive analysis of Raphael’s masterpiece “Baglioni Deposition”, npj Heritage Science, 14, 134, 2026.
- R. Cesareo, F.V. Frazzoli, C. Mancini, S. Sciuti, M. Marabelli, P. Mora, P. Rotondi, G. Urbani, Non-destructive analysis of chemical elements in paintings and enamels, Archaeometry, 14(1), 1972, pp. 65–78.
- Macro X-ray Fluorescence & Reflectance Imaging Spectroscopy Collection, npj Heritage Science.
