GNGTS 2021 - Atti del 39° Convegno Nazionale

GNGTS 2021 S essione 3.3 498 Analizzando la distribuzione delle classi nello spazio, sono stati analizzati i centroidi delle singole classi per capire quali classi fossero utili per l’estrazione delle caratteristiche. Come risultato (Fig. 3e), le classi utili sono la classe 1 e la classe 3. Dalla Fig. 3e siamo poi passati all’interpretazione dei bordi delle sorgenti. La Fig. 3f mostra i lineamenti dedotti dal metodo UBA, i quali possono essere interpretati come i bordi dei corpi archeologici sepolti. Il risultato ottenuto da questo approccio è stato poi confrontato con la Enhanced Horizontal Derivative (EHD, Fedi e Florio, 2001) pubblicata in Cella e Fedi (2015) e con la derivata orizzontale della Tilt Derivative (Miller e Singh, 1994). Il metodo EHD (Figura 3b) mostra i principali lineamenti del campo di anomalie; tuttavia, sembra mostrare meno dettagli rispetto l’interpretazione ottenuta con il metodo UBA, in ogni caso, notiamo che questi risultati sono stati ottenuti dopo una selezione accurata dei pesi e degli ordini di derivazione che costituiscono la EHD. D’altra parte, la derivata orizzontale delle Tilt Derivative (Fig. 3c) è completamente automatico ma i lineamenti rilevati (Fig. 3d) sono pesantemente affetti da rumore dovuto a piccole fonti o a errori strumentali, per cui è necessaria un’azione supplementare da parte dell’interprete per selezionare i lineamenti più adatti. Con l’interpretazione mediante il metodo UBA (Fig. 3f) si ottiene invece un’identificazione automatica e stabile dei confini senza alcuna supervisione da parte di interpreti esperti. Sottolineiamo che l’interpretazione con l’UBA proviene da un processo data-driven con basi statistiche; quindi, ogni lineamento ha le stesse caratteristiche in termini di input analizzati. Questa è una forte differenza rispetto agli altri metodi precedentemente considerati. Conclusioni In questo lavoro è stato proposto un metodo di boundary analysis chiamato Unsupervised Boundary Analysis, il quale si basa su metodologie rientranti nel Machine Learning. Il principale obiettivo è stato quello di creare un processo automatico in grado di fornire una buona stima della posizione ed estensione delle sorgenti senza l’intervento di operatori esperti come accade per gli strumenti tradizionali. Abbiamo inizialmente testato un caso sintetico rappresentato da due faglie verticali per capire la robustezza del metodo e il suo comportamento. Questo ci ha fornito l’informazione che i bordi delle sorgenti sono rilevati dal passaggio tra due classi. Queste classi sono riconosciute dai valori caratteristici dei loro centroidi. Successivamente, abbiamo applicato il metodo UBA al caso archeologico di Torre Galli (Calabria, Italia). I risultati sono stati confrontati con due differenti metodi di boundary analysis, l’EHD e la derivata orizzontale della Tilt Derivative. Le principali sorgenti sono ben riconosciute mediante il nostro approccio e c’è una buona corrispondenza con i risultati dell’EHD presenti in Cella e Fedi (2015). Inoltre, l’UBA ci ha fornito ulteriori dettagli di queste sorgenti e ha recuperato altre caratteristiche nella zona. Infine, è evidente che il gradiente orizzontale della Tilt Derivative non è in grado di darci una buona interpretazione dell’area, a causa del suo comportamento caotico. Bibliografia Bernardinetti S., P.P. Bruno, (2019), The Hydrothermal System of Solfatara Crater (Campi Flegrei, Italy) Inferred from Machine Learning Algorithms: Front. Earth Sci, 7 , 286. Carneiro C., S. J. Fraser., et al., (2012), Semiautomated geologic mapping using self-organizing maps and airborne geophysics in the Brazilian Amazon: Geophysics, 77 , Issue 4. Cella F., M. Fedi, (2015), High-Resolution Geophysical 3D Imaging for Archaeology by Magnetic and EM data: The Case of the Iron Age Settlement of Torre Galli: Southern Italy: Surv Geophys, 36 , 831–850. Chopra S., K. J. Marfurt, R. K. Sharma, (2019), Unsupervised machine learning facies classification in