Un modèle couplé sol‑atmosphère basé sur l’apprentissage profond pour la prévision des vagues de chaleur

Pourquoi il est crucial de prévoir les chaleurs mortelles

Les vagues de chaleur dangereuses deviennent plus fréquentes et intenses avec le réchauffement climatique, menaçant la santé, la production alimentaire et les réseaux électriques. Pourtant, même avec des super‑calculateurs puissants, les prévisions ratent souvent l’intensité réelle d’une vague de chaleur ou sa durée. Cette étude présente une nouvelle approche d’intelligence artificielle (IA) qui considère non seulement l’air au‑dessus de nous, mais aussi l’humidité et la température stockées dans le sol, afin d’affiner les prévisions à court terme des vagues de chaleur sur l’hémisphère Nord.

Comment le sol dialogue avec l’atmosphère

Lorsque les sols sont humides, une grande partie de l’énergie solaire sert à évaporer l’eau, ce qui refroidit la surface. Quand les sols s’assèchent, moins d’énergie est consacrée à l’évaporation et davantage est converti en chauffage direct de l’air juste au‑dessus du sol. Ce basculement peut déclencher une boucle auto‑renforçante : un sol plus sec entraîne un air plus chaud, ce qui augmente la demande d’évaporation et assèche encore davantage le sol, intensifiant la chaleur. Les observations et les travaux de modélisation antérieurs montrent que ce retour d’information sol–atmosphère est un facteur majeur des vagues de chaleur sévères dans des régions telles que le centre de l’Amérique du Nord et l’Europe, mais la plupart des modèles météo par IA ont jusqu’ici largement négligé l’aspect terrestre de ce phénomène.

Apprendre à l’IA à suivre le sol et l’air ensemble

Les auteurs ont construit un modèle « couplé » sol–atmosphère qui ingère à la fois des variables atmosphériques (comme la température de l’air, la pression et les vents) et des variables terrestres (humidité du sol et température du sol en plusieurs couches) issues du jeu de données de réanalyse ERA5. À l’aide d’un réseau de neurones convolutionnel qui compresse puis reconstruit des cartes météorologiques globales, le système est entraîné à prévoir les conditions quotidiennes jusqu’à une semaine. Crucialement, plutôt que d’optimiser le modèle uniquement pour le jour suivant, l’équipe a utilisé une méthode d’entraînement « multi‑pas » : l’IA est pénalisée sur la base des erreurs pour tous les pas de prévision de un à sept jours, avec un poids légèrement supérieur pour le court terme. Cela encourage le modèle à apprendre comment le sol et l’atmosphère évoluent ensemble sur plusieurs jours, plutôt que d’effectuer des sauts indépendants d’un jour à l’autre.

Des liens renforcés entre sols secs et chaleur extrême

Pour vérifier si l’IA saisissait réellement le couplage sol–atmosphère, les chercheurs ont examiné la corrélation entre l’humidité du sol en surface et deux grandeurs clés : la température maximale quotidienne et le flux de chaleur latente (l’énergie liée à l’évaporation). Dans les observations, des sols secs coïncident souvent avec des journées plus chaudes et une réduction du flux latent dans de nombreuses régions continentales de latitudes moyennes. Le modèle couplé entraîné avec une perte multi‑pas a reproduit ces schémas bien plus fidèlement que la même architecture entraînée avec une perte simple sur un pas. La version mono‑pas sous‑estimait systématiquement la force du lien entre la sécheresse du sol et à la fois le réchauffement de surface et l’évaporation, en particulier pour le flux évaporatif, indiquant qu’elle manquait l’impact retardé des conditions du sol sur l’air sus‑jacent.

Des prévisions de vagues de chaleur plus nettes et l’origine du gain

Dans des conditions de vague de chaleur — définies comme des jours où les températures maximales locales dépassent le 90e percentile — le modèle couplé a montré des bénéfices clairement visibles. Sur des prévisions de un à sept jours, il a obtenu des réductions d’erreur de température de 5,9 à 11,2 % par rapport à un modèle IA centré uniquement sur l’atmosphère lorsqu’il est entraîné avec une perte multi‑pas, tandis que la même comparaison avec un entraînement mono‑pas n’apportait que 0,4 à 2,4 % d’amélioration. Les gains les plus importants apparaissent autour de trois jours d’avance, moment où à la fois l’humidité du sol et la circulation à grande échelle restent raisonnablement prévisibles et se renforcent mutuellement. À mesure que l’horizon de prévision s’allonge, les schémas atmosphériques deviennent plus difficiles à prévoir, mais l’humidité du sol conserve une mémoire plus longue ; le modèle couplé continue de puiser du skill dans cet état terrestre à évolution lente, en particulier dans les régions où sols secs et extrêmes chauds sont étroitement liés.

Vagues de chaleur réelles comme terrain d’épreuve

L’équipe a aussi analysé deux vagues de chaleur sévères récentes : l’épisode européen de 2018, principalement piloté par le sol, et la vague de chaleur est‑asiatique de 2022, davantage menée par l’atmosphère. En Europe, les observations montraient des sols exceptionnellement secs, un sensible accru, une évaporation supprimée et des températures extrêmes prolongées. Le modèle couplé a saisi cette chaîne d’événements bien mieux que la version atmosphérique seule, suivant de manière réaliste l’assèchement du sol, les changements de flux d’énergie et la montée puis la descente des températures maximales et minimales quotidiennes. En Asie de l’Est, où une crête de haute pression amplifiée dans la moyenne troposphère jouait le rôle principal, le modèle couplé a tout de même amélioré l’évolution des températures et reproduit raisonnablement le développement de la sécheresse, même si l’assèchement du sol y était davantage une conséquence qu’une cause de la vague de chaleur.

Ce que cela signifie pour les alertes futures

L’étude montre que combiner des informations sur le sol avec une stratégie d’entraînement qui regarde plusieurs jours en amont peut améliorer de façon significative les prévisions de vagues de chaleur basées sur l’IA. En apprenant explicitement comment l’humidité et la température du sol, qui évoluent lentement, interagissent avec des variations atmosphériques plus rapides, le modèle couplé anticipe mieux tant l’accumulation que la persistance de la chaleur extrême. Bien que des défis subsistent — notamment pour l’humidité de l’air et les précipitations — cette approche offre une voie prometteuse vers des alertes plus précoces et plus fiables des chaleurs dangereuses et des événements combinés chaleur‑sécheresse, donnant aux sociétés un temps supplémentaire pour protéger les personnes, les écosystèmes et les infrastructures.

Citation: Cho, D., Ham, YG., Jeong, S. et al. A deep learning-based land-atmosphere coupled model for heatwave prediction. npj Clim Atmos Sci 9, 85 (2026). https://doi.org/10.1038/s41612-025-01311-6

Mots-clés: prévision des vagues de chaleur, couplage sol–atmosphère, humidité du sol, météo par apprentissage profond, extrêmes climatiques