Un cadre de super-résolution pour la rétrogradation des prévisions météorologiques par apprentissage automatique vers des températures de l’air à 1 km

Des prévisions locales plus nettes dans un monde qui se réchauffe

Les gens veulent de plus en plus savoir non seulement si leur ville sera chaude la semaine prochaine, mais si leur propre quartier suffoquera ou restera supportable. Pourtant, la plupart des modèles météorologiques globaux voient encore le monde en blocs flous de plusieurs dizaines de kilomètres, estompant montagnes, côtes et points chauds urbains. Cette étude présente SR-Weather, un système d’intelligence artificielle qui prend ces prévisions floues et les aiguise en cartes de température à l’échelle de la rue, visant à fournir aux communautés de meilleurs avertissements sur les vagues de chaleur dangereuses et autres extrêmes localisés.

Pourquoi les prévisions actuelles manquent les extrêmes de quartier

La prévision météorologique moderne a fait de grands progrès, y compris des modèles d’apprentissage automatique qui rivalisent ou surpassent les systèmes traditionnels basés sur la physique tout en s’exécutant beaucoup plus rapidement. Mais presque tous ces modèles globaux fonctionnent sur des cellules de grille d’environ 25 kilomètres de côté. Dans une même cellule, on peut trouver une côte fraîche, une ville dense et des collines boisées — des éléments qui façonnent profondément la température mais sont moyennés en une seule valeur. Faire tourner des modèles physiques complets à une résolution kilométrique pour des prévisions sur plusieurs jours à semaines reste trop coûteux en calcul pour un usage courant. En conséquence, les prévisions à moyen terme ne peuvent pas capturer de manière fiable les îlots de chaleur urbains ni les contrastes marqués entre vallées et crêtes montagneuses.

Utiliser les satellites pour ajouter des détails fins

Pour combler cet écart, les auteurs ont conçu SR-Weather, un cadre d’apprentissage profond de « super-résolution » qui apprend à transformer des cartes de température grossières en champs détaillés à 1 kilomètre de résolution. Plutôt que de s’appuyer sur des stations météo au sol clairsemées, ils utilisent des produits satellitaires comme cible d’entraînement à fine échelle. En particulier, ils partent d’un produit global de température de surface terrestre issu des instruments MODIS de la NASA et le convertissent en température moyenne quotidienne de l’air près du sol sur la Corée du Sud. Ils associent ensuite ces cartes de température issues des satellites aux données réanalysées ERA5 plus grossières (similaires en résolution aux prévisions modernes par apprentissage automatique) sur près de deux décennies. Cela permet au réseau d’apprendre les façons typiques dont les caractéristiques locales — comme l’altitude, l’occupation du sol et la saison — façonnent les motifs de température à l’intérieur de chaque cellule grossière.

Ajouter la connaissance du sol et des saisons

SR-Weather va au-delà des modèles d’amélioration d’images antérieurs en injectant explicitement des cartes supplémentaires qui portent un contexte physique important. Celles-ci comprennent un modèle numérique d’élévation qui résout les crêtes et les vallées montagneuses ; une carte des surfaces imperméables qui indique le degré d’urbanisation d’une zone et donc l’intensité potentielle de son îlot de chaleur ; et des cartes de climatologie saisonnière qui résument où il fait en moyenne plus chaud ou plus frais selon les périodes de l’année. L’architecture du modèle est conçue pour prêter une attention particulière non seulement aux conditions moyennes mais aussi aux pics et creux locaux de température, en utilisant des opérations de pooling qui mettent en évidence les extrêmes plutôt que de les lisser. Dans des tests comparatifs avec d’autres approches avancées de super-résolution, SR-Weather a présenté les erreurs les plus faibles et les corrélations les plus élevées avec les températures dérivées des satellites, notamment en haute montagne et dans les villes denses où la structure à petite échelle compte le plus.

De meilleures images à de meilleures prévisions

Après un entraînement sur des données historiques ERA5 et satellitaires, l’équipe a appliqué SR-Weather à de vraies prévisions de FuXi, un modèle météorologique global par apprentissage automatique de pointe qui prévoit jusqu’à 15 jours à l’avance à une résolution de 25 kilomètres. SR-Weather a transformé les champs de température journaliers grossiers de FuXi en cartes à 1 kilomètre sur la Corée du Sud et a été évalué par rapport à des réseaux denses de stations au sol. Sur des horizons de 1 à 7 jours, les prévisions super-résolues correspondaient systématiquement mieux aux données des stations que l’interpolation simple et surpassaient même le modèle numérique opérationnel coréen à haute résolution (LDAPS) sur les courtes échéances. Fait notable, une prévision SR-Weather à 7 jours issue de FuXi a battu une prévision à 1 jour obtenue en interpolant simplement les champs grossiers, montrant que la méthode non seulement ajoute du détail mais corrige aussi des biais systématiques en utilisant des informations sur le relief et l’urbanisation.

Ce que cela signifie pour les utilisateurs météorologiques quotidiens

Pour un non-spécialiste, le message central est que nous pouvons désormais utiliser des modèles météorologiques globaux rapides et basés sur l’IA et « zoomer » sur les résultats à l’échelle du quartier sans faire tourner des superordinateurs coûteux. SR-Weather apprend des satellites où les villes, montagnes et côtes ont tendance à chauffer ou refroidir différemment et utilise ce savoir pour affiner et corriger les prévisions futures de température. Bien que l’étude se soit concentrée sur la Corée du Sud, les mêmes ingrédients — produits MODIS et cartes de surface terrestre de base — sont disponibles dans le monde entier, ce qui signifie que des systèmes similaires pourraient être entraînés pour de nombreuses régions. À mesure que les vagues de chaleur extrêmes deviennent plus fréquentes, des outils comme SR-Weather pourraient aider les urbanistes, les gestionnaires de réseau électrique et les responsables de la santé publique à identifier quels quartiers sont les plus à risque plusieurs jours à l’avance, permettant des réponses plus ciblées et opportunes.

Citation: Park, H., Park, S., Kang, D. et al. A super-resolution framework for downscaling machine learning weather prediction toward 1-km air temperature. npj Clim Atmos Sci 9, 56 (2026). https://doi.org/10.1038/s41612-026-01328-5

Mots-clés: prévision météorologique, super-résolution, îlots de chaleur urbains, données satellites, apprentissage automatique