ETD

• IA
• intelligenza artificiale
• Mesopotamia
• Oman
• telerilevamento

La presente tesi indaga l’applicabilità dell’intelligenza artificiale (IA), in particolare dei modelli di segmentazione semantica basati su deep learning, all’individuazione automatica delle tombe Hafit nel Sultanato dell’Oman. L’obiettivo generale è valutare se un approccio simile a quello sviluppato da Pistola, Orrù, Marchetti e Roccetti (2025) per l’identificazione dei tells mesopotamici nelle immagini storiche CORONA possa essere trasferito, adattato o completamente ripensato per operare efficacemente all’interno di un contesto geomorfologico e archeologico profondamente diverso come quello omanita. La ricerca combina quindi un’analisi teorica sul ruolo dell’IA in archeologia, una valutazione critica degli studi esistenti sul territorio dell’Oman, un confronto sistematico tra paesaggi e strutture mesopotamiche e omanite, e la definizione metodologica di un workflow originale per la costruzione di un modello di rilevamento automatico delle tombe Hafit.
La tesi si apre con un’introduzione dedicata all’evoluzione dell’IA applicata all’archeologia, evidenziando come negli ultimi anni tecniche quali la segmentazione semantica, l’object detection e la classificazione multispettrale abbiano trasformato il modo in cui il patrimonio archeologico viene documentato, monitorato e analizzato. Vengono discusse le ragioni per cui queste tecnologie risultano particolarmente efficaci nei contesti soggetti a trasformazioni rapide del paesaggio, come il Medio Oriente e la Penisola Arabica. In questo quadro si colloca il lavoro di Pistola et al. (2025), che dimostra la capacità del deep learning di recuperare siti archeologici scomparsi grazie all’uso di immagini storiche e di dataset accuratamente annotati.
La tesi esamina poi la cultura Hafit (ca. 3200–2600 a.C.) e il suo peculiare repertorio funerario, caratterizzato dalle celebri tombe a torre costruite in pietra, distribuite prevalentemente lungo crinali montuosi, pendii e punti panoramici nelle regioni interne dell’Oman. La morfologia di queste strutture—generalmente piccole, circolari, parzialmente crollate e in forte interazione con un terreno litico complesso—pone sfide significative alla detection automatica. Questa sezione contestualizza inoltre il valore archeologico e storico di tali monumenti, sottolineando il contributo delle tombe Hafit alla ricostruzione delle reti di mobilità, dei sistemi insediativi e delle prime dinamiche socio-politiche dell’età del Bronzo omanita.
Segue uno stato dell’arte completo sulle applicazioni di telerilevamento e IA in Oman. Vengono analizzati studi fondamentali quali Deadman (2012; 2016), Fontana (2018), Sivitskis et al. (2019), Altaweel et al. (2022) e Casillo et al. (2025), mostrando come il territorio omanita sia già stato oggetto di sperimentazioni nel campo del remote sensing, ma senza un’implementazione sistematica di modelli deep learning finalizzati alla rilevazione delle tombe Hafit. Questa rassegna evidenzia chiaramente l’esistenza di un gap metodologico che la presente tesi intende colmare.
Un capitolo è dedicato al confronto tra il paesaggio omanita e quello mesopotamico, mettendo in luce le cause per cui il modello di Pistola et al. non è trasferibile senza modifiche: le differenze riguardano la topografia, la litologia, la visibilità delle strutture, la vegetazione, il rumore paesaggistico e la morfologia stessa dei siti archeologici.
Infine, la tesi presenta un workflow operativo completo per lo sviluppo di un sistema di detection automatica delle tombe Hafit: dalla raccolta dei dati satellitari alla costruzione del dataset annotato, dalla definizione delle classi morfologiche alla scelta dell’architettura neurale, fino alla validazione sul campo e alla generazione di mappe predittive.
L’intero progetto intende dimostrare che l’IA non solo può essere applicata all’archeologia omanita, ma può diventare uno strumento strategico per la documentazione e la tutela delle sue evidenze più antiche e vulnerabili.