Un modello predittivo basato su Machine Learning

Su incarico del NEOM Heritage Department abbiamo condotto un ampio programma interdisciplinare di documentazione del patrimonio rupestre, epigrafico e archeologico nell’area di Bajdah, sull’altopiano del Ḥismā. In un territorio vastissimo, circa 105 chilometri percorsi a piedi e 24 siti visitati, 7 dei quali di nuova individuazione, un modello predittivo basato su machine learning è stato impiegato per individuare le aree potenzialmente più ricche di evidenze non ancora note, indirizzando le risorse dove la probabilità di scoperta era più alta. Il tutto all’interno di una metodologia replicabile, capace di unire archeologia tradizionale, tecnologie digitali e modellazione predittiva: oggi un punto di riferimento per la documentazione e la tutela su scala regionale.

I risultati del modello predittivo

Addestrato sulle evidenze note e su un geodatabase di covariate ambientali e morfologiche, il modello ha restituito due strumenti operativi: una mappa continua di probabilità, che assegna a ogni cella del territorio un valore di potenziale archeologico, e una mappa binaria delle aree a maggiore potenziale, ottenuta applicando una soglia statistica ottimizzata (TSS). Sono questi strumenti ad aver permesso di indirizzare le ricognizioni sul campo verso i settori a probabilità più alta, concentrando le risorse dove la possibilità di scoperta era maggiore.

L’affidabilità non è dichiarata, è misurata: il modello è validato con cross-validation spaziale a blocchi ed entrano nell’ensemble finale solo gli algoritmi che superano una soglia di qualità predittiva (indice di Boyce continuo ≥ 0,7). Il risultato è inoltre interpretabile: l’analisi dell’importanza delle variabili mostra quali fattori guidano le previsioni, in quest’area, in primis la geologia, l’umidità topografica (TWI), la distanza dai corsi d’acqua e l’irraggiamento, trasformando la mappa da scatola nera a vera ipotesi archeologica, leggibile e verificabile.