⚡ electrical engineering

The Digital Geophysical Eye: A Magnetic Signature Database and Physics-Guided AI Framework for Archaeological Magnetic Interpretation

Cette étude introduit l'« Œil Géophysique Numérique », un cadre de preuve de concept qui combine une base de données de signatures magnétiques basée sur la physique avec un modèle CNN pour atteindre une précision de 90,7 % dans la classification des anomalies magnétiques archéologiques, établissant ainsi un fondement reproductible pour les futures applications d'IA explicable en géophysique archéologique.

Auteurs originaux : Abir Jrad, Yoann Quesnel, Pierre Rochette, Chokri Jallouli, Pierre Ethienne Mathé

Publié 2026-07-16

📖 8 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Abir Jrad, Yoann Quesnel, Pierre Rochette, Chokri Jallouli, Pierre Ethienne Mathé

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous soyez un détective tentant de résoudre un mystère, mais qu'au lieu de chercher des empreintes digitales ou des traces de pas, vous traquiez des fantômes invisibles enfouis sous terre. C'est le monde de la géophysique archéologique, un domaine où les scientifiques utilisent des outils spéciaux pour « voir » ce qui est caché sous le sol sans jamais creuser le moindre trou. L'un de leurs outils préférés est le magnétomètre, un appareil qui agit comme une boussole ultra-sensible. Il peut détecter de minuscules variations du champ magnétique terrestre causées par des choses laissées derrière elles par les humains il y a des milliers d'années, comme d'anciens murs de briques, des foyers anciens ou même de gigantesques boules de pierre.

Cependant, lire ces cartes magnétiques est délicat. C'est comme regarder un nuage et essayer de deviner s'il ressemble à un lapin ou à un dragon. Pendant des décennies, la compréhension de ce que sont réellement ces « fantômes » magnétiques a reposé entièrement sur l'intuition et l'expérience des experts humains. Si vous demandiez à deux experts différents d'examiner la même carte, ils pourraient raconter deux histoires différentes. La grande question que les scientifiques se posent est la suivante : pouvons-nous apprendre à un ordinateur à être aussi doué que l'humain dans ce travail de détective, mais sans l'incertitude ? L'objectif est de transformer ce « pressentiment d'expert » en un manuel de règles claires et étape par étape qu'une machine peut suivre, rendant le processus équitable, reproductible et plus facile à partager avec tout le monde.

L'Œil Géophysique Numérique : Enseigner aux ordinateurs à voir l'histoire invisible

Dans cette étude, une équipe de chercheurs de Tunisie et de France présente une idée ingénieuse appelée « l'Œil Géophysique Numérique ». Ne le voyez pas comme un robot qui remplace les détectives humains, mais plutôt comme un traducteur qui transforme le langage secret d'un expert humain en un code compréhensible par un ordinateur. L'équipe a réalisé que, bien que nous disposions d'outils incroyables pour scanner le sol, l'étape finale — décider de ce que nous regardons — a toujours été une sorte de boîte noire. Ils voulaient ouvrir cette boîte, noter précisément comment les experts réfléchissent et construire une version numérique de ce processus de pensée.

Le Problème : L'écart du « Pressentiment »

Habituellement, lorsqu'un archéologue regarde une carte magnétique, il ne voit pas seulement une ligne sinueuse. Il voit une histoire. Il observe la forme, la direction, la force du signal et se demande : « Est-ce que cela ressemble à un mur ? Ou peut-être à un vieux four ? ». Ce processus est appelé « l'Œil Géophysique ». C'est une compétence construite au fil des années en comparant les cartes magnétiques avec les excavations réelles (creuser le site pour voir ce qui s'y trouve réellement). Mais comme cette compétence réside dans l'esprit des experts, elle est difficile à enseigner aux autres ou à un ordinateur. Si vous demandez à deux experts d'interpréter la même carte, ils peuvent ne pas être d'accord, surtout sur des sites complexes.

La Solution : Un « Livre de Recettes » Magnétique

Pour remédier à cela, les chercheurs ont construit ce qu'ils appellent une Base de Données de Signatures Magnétiques (BDSM). Imaginez un immense livre de cuisine, mais au lieu de recettes de gâteaux, il contient des recettes de signaux magnétiques. Cependant, ils n'ont pas simplement écrit « ceci ressemble à un mur ». Ils ont décomposé cela selon la physique. Ils se sont demandé : Quelle est la raison physique pour laquelle cet objet crée un signal magnétique ?

Ils ont organisé leur base de données sur la base de la physique, et non seulement de l'histoire. Par exemple :

Les murs en calcaire créent un signal parce que la pierre est légèrement magnétique (aimantation induite).
Les anciens foyers et fours créent un signal parce qu'ils ont été chauffés si intensément qu'ils sont devenus magnétiques de façon permanente (aimantation thermorémanente).

L'équipe a rassemblé des données réelles provenant de cinq types spécifiques de sites archéologiques qu'ils ont étudiés en Tunisie et en France :

Des murs en calcaire (de Hergla, Tunisie).
Des structures d'incinération funéraire (de Richeau, France).
Des paléofoyers (anciens foyers de la grotte de Lazaret, France).
Des fours à céramique (de Puylaurens, France).
Des boules de granit (du Musée de Carthage, Tunisie).

Pour chacun de ces éléments, ils n'ont pas seulement pris une photo de la carte magnétique. Ils ont mesuré les roches et le sol réels en laboratoire, puis ont utilisé des équations physiques pour simuler l'apparence que ces objets devraient avoir sur une carte magnétique. Cela a créé une « Signature Magnétique » pour chaque type d'objet, définie par des chiffres spécifiques tels que l'amplitude (la force du signal), la polarité (la direction du magnétisme) et la géométrie (la forme).

Le Tour de Magie : Créer des données (de la bonne manière)

C'est ici que l'approche devient très intelligente. Les chercheurs savaient qu'ils ne disposaient pas de suffisamment d'exemples réels pour entraîner un ordinateur. On ne peut pas apprendre à un ordinateur à reconnaître 1 000 races de chiens si on ne lui montre que des photos de trois chiens. Ils ont donc utilisé la modélisation directe (forward modelling).

Voyez cela comme un jeu vidéo. Ils ont pris leurs « recettes » réelles (la physique des murs et des fours) et ont dit à l'ordinateur : « D'accord, imagine un mur enterré à 1 mètre de profondeur. Maintenant, imagine-le enterré à 2 mètres de profondeur. Maintenant, imagine-le pivoté de 45 degrés ». Ils ont généré 6 000 images magnétiques synthétiques. Ce n'étaient pas des suppositions aléatoires ; c'étaient des simulations physiquement réalistes basées sur les mesures réelles qu'ils avaient effectuées. Cela a donné à l'ordinateur une immense bibliothèque d'exemples à étudier, tout en gardant la « physique » de la situation 100 % exacte.

Le Test : L'ordinateur peut-il apprendre ?

Avec leurs 6 000 images simulées prêtes, l'équipe a entraîné un Réseau de Neurones Convolutifs (CNN). Si vous avez déjà entendu parler de l'IA capable de reconnaître des chats sur des photos, c'est le même type de technologie, mais au lieu de chats, elle apprend à reconnaître des « murs anciens » et de « vieux fours » dans des cartes magnétiques.

Les résultats ont été très prometteurs :

L'ordinateur a donné la bonne réponse 90,7 % du temps sur un ensemble de test qu'il n'avait jamais vu auparavant.
Il était un maître pour repérer les murs en calcaire (100 % de précision) et les boules de granit (99,7 % de précision). Ces éléments sont faciles car ils possèdent des formes et des propriétés magnétiques très distinctes et uniques.
Cependant, l'ordinateur s'est un peu emmêlé les pinceaux entre les structures liées au feu (fours, foyers et fosses d'incinération). Il les a confondus environ 14 à 23 fois sur l'ensemble des cas de test.

Pourquoi s'est-il trompé ? Parce que ces trois choses sont physiquement très similaires ! Elles ont toutes été chauffées, elles possèdent donc toutes le même type d'« empreinte digitale » magnétique (aimantation thermorémanente). L'ordinateur n'a pas fait une erreur aléatoire ; il a fait une erreur qu'un expert humain trouverait également difficile. Cela prouve en réalité que le système fonctionne correctement : il apprend la physique, et ne se contente pas de mémoriser des images.

Ce que l'ordinateur a « vu »

Les chercheurs ne se sont pas contentés de croire l'ordinateur sur parole. Ils ont regardé à l'intérieur du « cerveau » de l'IA pour voir quels éléments elle surveillait. Ils ont découvert que l'IA cherchait exactement les mêmes choses qu'un expert humain : les bords tranchants d'un mur, la forme circulaire d'un four, et la façon dont le signal magnétique s'atténue. L'IA ne faisait pas que deviner ; elle décomposait l'image en utilisant les mêmes indices physiques qu'un humain.

L'essentiel à retenir

Cet article ne prétend pas avoir construit un robot archéologue parfait et prêt à l'emploi. Il prouve plutôt que le concept de « l'Œil Géophysique Numérique » fonctionne. Ils ont réussi à transformer le vague « pressentiment » d'un expert en une base de données structurée, basée sur la physique, qu'un ordinateur peut apprendre.

Le point principal est qu'en combinant des données d'excavation réelles, des mesures de laboratoire et des simulations physiques, ils ont créé un système qui comprend le pourquoi derrière les signaux magnétiques, et pas seulement le quoi. Bien que l'ordinateur ait encore un peu de mal avec les objets physiquement similaires (comme les différents types de fours anciens), les erreurs qu'il commet sont logiques et physiquement cohérentes.

Les auteurs considèrent cela comme n'étant que la première étape. Ils espèrent construire une vaste bibliothèque internationale de ces signatures magnétiques, en ajoutant plus de types de sites et de données réelles au fil du temps. À l'avenir, cet « Œil Numérique » pourrait aider les archéologues du monde entier à interpréter leurs cartes plus rapidement et plus précisément, transformant les sinuosités mystérieuses d'une carte magnétique en récits clairs sur notre passé.

Résumé Technique : L'Œil Géophysique Numérique

Énoncé du Problème
La prospection magnétique est une technique non invasive de premier plan pour l'investigation archéologique, capable de détecter des structures enfouies avec une haute résolution spatiale. Cependant, malgré des avancées significatives dans l'instrumentation et le traitement des données au cours des trois dernières décennies, l'interprétation des anomalies magnétiques reste fortement dépendante du savoir d'experts individuels. Ce processus interprétatif est largement subjectif, non standardisé et difficile à reproduire ou à transférer entre opérateurs. Bien que de nombreuses études aient décrit les signatures magnétiques de structures spécifiques (ex. : foyers, fours, murs), ces observations existent souvent comme des études de cas isolées plutôt que comme un cadre cohérent et transférable. De plus, les applications existantes de l'Intelligence Artificlle (IA) en archéologie se sont largement concentrées sur la segmentation d'images ou la détection d'anomalies sans formaliser explicitement le raisonnement géophysique et les contraintes physiques qui sous-tendent l'interprétation experte.

Méthodologie
L'étude propose un cadre méthodologique nommé « L'Œil Géophysique Numérique », conçu pour formaliser l'expertise magnétique archéologique en un processus computationnel reproductible et guidé par la physique. Le cœur de ce cadre est la Base de Données de Signatures Magnétiques (BDSM), qui structure le savoir non pas par fonction archéologique, mais par l'origine physique dominante des signatures magnétiques.

La méthodologie se déroule en quatre étapes intégrées :

Intégration des Données : La BDSM agrège trois sources complémentaires : des levés magnétiques validés par des fouilles, des mesures de susceptibilité magnétique en laboratoire et de la documentation archéologique.
Descriptorisation Quantitative : Les observations d'experts sont traduites en un vecteur de descripteurs magnétiques quantitatifs ( $S$ ), défini par $(A, P, \lambda, G, D, M)$ , représentant l'amplitude, la polarité, la longueur d'onde, la géométrie, la profondeur d'enfouissement et l'origine magnétique dominante (magnétisation induite vs thermorémanente).
Génération Synthétique Guidée par la Physique : Pour surmonter la rareté des données de terrain étiquetées, le cadre emploie une modélisation directe physiquement contrainte. En utilisant les descripteurs dérivés de fouilles réelles, des anomalies magnétiques synthétiques sont générées. Cinq classes archéologiques représentatives ont été modélisées :
- Murs de calcaire (prismes rectangulaires, magnétisation induite).
- Structures d'incinération funéraire (cylindres peu profonds, magnétisation thermorémanente).
- Paléo-foyers (cylindres peu profonds, magnétisation thermorémanente).
- Fours à céramique (cylindres creux, magnétisation thermorémanente).
- Boules de granit (sphères, magnétisation induite).
  Ces modèles introduisent des variations contrôlées de profondeur, d'orientation, de taille et de bruit tout en préservant le comportement physique fondamental des sources.
Implémentation de l'IA : Un Réseau de Neurones Convolutifs (CNN) a été entraîné sur un ensemble de 6 000 images synthétiques dérivées de la BDSM. Le CNN sert de preuve de concept pour tester si les descripteurs magnétiques formalisés peuvent être reconnus automatiquement sans perdre leur signification physique. Le modèle a utilisé une architecture standard avec des couches convolutives, un pooling maximal (max pooling) et une couche de sortie Softmax, entraînée avec l'optimiseur Adam.

Principales Contributions

Formalisation de l'Expertise : La contribution principale est le cadre de « L'Œil Géophysique Numérique », qui codifie le raisonnement géophysique tacite en un flux de travail quantitatif structuré reliant les observations de terrain à l'apprentissage automatique.
La Base de Données de Signatures Magnétiques (BDSM) : Contra-irement aux bases de données d'images traditionnelles, la BDSM est une base de connaissances basée sur la physique. Elle garantit que chaque échantillon d'entraînement synthétique est traçable jusqu'à des preuves archéologiques spécifiques et des propriétés physiques, maintenant le lien entre les données et la réalité géophysique.
IA Guidée par la Physique : L'étude démontre un flux de travail où l'IA n'est pas l'objectif primaire mais l'étape finale d'une chaîne qui commence par des contraintes physiques. Cette approche garantit que l'IA apprend des propriétés physiques générales des classes archéologiques plutôt que de mémoriser des simulations numériques spécifiques.

Résultats
Le CNN entraîné a atteint une précision de classification globale de 90,7 % sur un ensemble de test indépendant généré à partir de la base de données synthétique physiquement contrainte.

Haute Performance : Le modèle a obtenu une classification quasi parfaite pour les murs de calcaire (F1-score : 1,00) et les boules de granit (F1-score : 0,997). Ces classes possèdent des signatures magnétiques induites uniques et des géométries bien définies.
Ambiguïtés Observées : Les principales erreurs de classification concernaient les structures liées à la combustion (incinération funéraire, paléo-foyers et fours à céramique). Ces classes partagent des signatures magnétiques thermorémanentes similaires et de petites anomalies positives, entraînant une confusion (ex. : des fours classés à tort comme des structures d'incinération). Les auteurs notent que ces ambiguïtés reflètent celles fréquemment rencontrées lors de l'interprétation manuelle par des experts, suggérant que l'IA apprend les mêmes limitations physiques.
Analyse de Caractéristiques : L'analyse des cartes de caractéristiques (feature maps) a révélé que le CNN a réussi à isoler des descripteurs spatiaux tels que les géométries allongées, les transitions de polarité et les gradients d'intensité radiaux, imitant efficacement les critères diagnostiques utilisés par les experts humains.

Signification et Revendications
L'article positionne l'Œil Géophysique Numérique non pas comme un remplacement opérationnel et autonome des géophysiciens, mais comme une preuve de concept pour une nouvelle fondation méthodologique en prospection archéologique.

Reproductibilité et Transférabilité : Le cadre offre une voie pour standardiser l'interprétation magnétique, la rendant reproductible et transférable à différents contextes archéologiques.
IA Explicable (XAI) : En ancrant l'IA dans des descripteurs physiques et une modélisation directe, le système soutient le développement de l'IA explicable, où les décisions peuvent être tracées jusqu'à des mécanismes physiques plutôt qu'à des corrélations de type « boîte noire ».
Perspectives Futures : Les auteurs affirment que l'implémentation actuelle est une première étape vers une « Bibliothèque Internationale de Signatures Magnétiques ». Ils soulignent que la robustesse et la généralisabilité du système dépendront de l'ajout progressif de levés validés par des fouilles et de contextes géologiques diversifiés. L'étude soutient que les erreurs de classification observées sont physiquement significatives, validant le fait que le cadre capture le véritable raisonnement physique du géophysicien.

En conclusion, l'étude démontre que la connaissance magnétique archéologique peut être codifiée avec succès dans un processus computationnel piloté par la physique et explicable, comblant ainsi le fossé entre l'intuition de l'expert et l'analyse automatisée.