מודל מצומד קרקע‑אטמוספירה המבוסס על למידת עומק לחיזוי גלי חום

מדוע חיזוי חום קטלני חשוב

גלי חום מסוכנים הופכים לנפוצים ועזים יותר ככל שהאקלים מתחמם, ומאיימים על בריאות, ייצור מזון ומערכות חשמל. ובכל זאת, גם עם מחשבי־על רבי־עוצמה, תחזיות לעתים קרובות מפספסות עד כמה גל חום יהיה קיצוני או כמה זמן יימשך. המחקר הזה מציג גישה חדשה מבוססת בינה מלאכותית (AI) שבוחנת לא רק את האוויר שמעלינו, אלא גם את הלחות והחום המאוחסנים בקרקע, כדי לחדד תחזיות קצרות‑טווח של גלי חום בחצי הכדור הצפוני.

איך הקרקע "מדברת" עם השמיים

כאשר הקרקעות רטובות, חלק גדול מאנרגיית השמש הולך לאידוי מים, שמקרר את המשטח. כשהקרקע מתייבשת, משתמשים בפחות אנרגיה לאידוי ויותר מומרת לחימום ישיר של האוויר שמעל פני הקרקע. המעבר הזה יכול להפעיל לולאה מחוזקת: קרקע יבשה מובילה לאוויר חם יותר, מה שמגביר את הביקוש לאידוי ומייבש עוד יותר את הקרקע, ומעצים את החום. תצפיות ועבודות מודלינג קודמות הראו שיחסי גומלין אלה בין הקרקע לאטמוספירה הם מנגנון מרכזי מאחורי גלי חום חמורים באזורים כמו מרכז צפון אמריקה ואירופה, אך רוב דגמי מזג‑האוויר המבוססים על AI עד כה התעלמו במידה רבה מצידו הקרקעי של הסיפור.

ללמד את ה‑AI לעקוב אחרי קרקע ואוויר יחד

המחברים בנו מודל "מצומד" קרקע‑אטמוספירה המקבל הן משתנים אטמוספריים (כמו טמפרטורת אוויר, לחץ ורוחות) והן משתני קרקע (לחות קרקע וטמפרטורת קרקע במספר שכבות) ממאגר הריאנליזת ERA5. באמצעות רשת עצבית מסוג קונבולוציה שמדחסת ואז משחזרת מפות מזג‑אוויר גלובליות, המערכת מאומנת לחזות תנאים יומיים עד שבוע מראש. באופן מכריע, במקום לאופטמיזציה רק ליום הבא, הצוות השתמש בשיטת אימון "רב‑שלבית": ה‑AI מוערם לפי שגיאות בכל תקופות החזייה מיום אחד עד שבעה ימים, עם משקל מעט גבוה יותר על הטווח הקרוב. זה מעודד את המודל ללמוד כיצד מצבי הקרקע והאטמוספירה מתפתחים יחד לאורך מספר ימים, במקום לבצע קפיצות מנותקות של יום‑יום.

קשרים חזקים יותר בין קרקעות יבשות לחום קיצוני

כדי לבדוק האם ה‑AI תופס באמת את הקשר קרקע‑אטמוספירה, החוקרים בחנו את המתאם בין לחות השכבה העליונה של הקרקע ושני מדדים מרכזיים: טמפרטורת המקסימום היומית וזרם חום נסתר (האנרגיה הכרוכה באידוי). בתצפיות, קרקעות יבשות נוטות להתלוו בימים חמים יותר ובהפחתת הזרם הנסתר באזורים רבים בקווי אורך מתון. מודל ה‑AI המצומד שאומן עם פונקציית אובדן רב‑שלבית שיחזר דפוסים אלה באופן נאמן הרבה יותר מאשר אותה ארכיטקטורה שאומנה עם אובדן חד‑שלבי. הגרסה החד‑שלבית העירערה בעקביות על עוצמת הקשר בין יובש קרקע גם לחימום פני השטח וגם לאידוי, במיוחד ביחס לזרם האידוי, מה שמעיד שהיא החמיצה את ההשפעה העכובה של תנאי הקרקע על האוויר שמעליה.

תחזיות גלי חום חדות יותר ומהיכן מגיעה היכולת

בתנאי גלי חום — המוגדרים כימים שבהם טמפרטורות מקסימום מקומיות חורגות מאחוזון 90 — המודל המצומד הראה יתרונות ברורים. בחיזויים של יום עד שבעה ימים, הוא השיג הפחתות שגיאה בטמפרטורה של 5.9–11.2% בהשוואה למודל AI המתמקד רק באטמוספירה כאשר אומן עם אובדן רב‑שלבי, בעוד שההשוואה לאותו מודל שאומן חד‑שלבית הניבה שיפור של 0.4–2.4% בלבד. הרווחים הגדולים ביותר הופיעו סביב שלושה ימים מראש, כאשר גם לחות הקרקע וגם ההסדרים הסורקים בקנה‑מידה גדול נשארים ניתנים לחיזוי במידה סבירה ומחזקים זה את זה. ככל שאופק החיזוי מתרחב, תבניות אטמוספריות נעשות קשות יותר לחיזוי, אך לחות הקרקע שומרת זיכרון ארוך יותר; המודל המצומד ממשיך להפיק כישרון ממש 상태 הקרקע המתפתח לאט זה, במיוחד באזורים שבהם קרקע יבשה וקיצוני חום מקושרים באופן הדוק.

גלי חום אמיתיים כמגרשי מבחן

הצוות גם בחן שני גלי חום חמורים מהשנים האחרונות: האירוע המניע‑הקרקע של מערב אירופה ב‑2018 וגל החום המונע יותר על‑ידי האטמוספירה במזרח אסיה ב‑2022. באירופה, תצפיות הראו קרקעות יוצאות דופן בייבוש, חום חושי מוגבר, אידוי מדוכא וטמפרטורות קיצוניות ממושכות. המודל המצומד תפס את שרשרת האירועים הזו טוב בהרבה מהגרסה המתמקדת רק באטמוספירה, ועקב באופן ריאלי אחרי ייבוש הקרקע, שינויי פלוּקס האנרגיה ועליות וירידות בטמפרטורות המקסימום והמינימום היומיות. במזרח אסיה, שבה שיחקה תפקיד מרכזי רכס לחץ גבוה מוגבר במיד‑טרופוספירה, המודל המצומד עדיין שיפר את התפתחות הטמפרטורה ושיחזר באופן סביר את התפתחות הבצורת, אף על פי שיובש הקרקע שם היה יותר תוצאה מאשר גורם מייצר של גל החום.

מה זה אומר לאזהרות חום בעתיד

המחקר מראה ששילוב מידע קרקעי עם אסטרטגיית אימון המתבוננת במספר ימים קדימה יכול לשפר באופן ממשי את תחזיות גלי החום המבוססות על AI. על‑ידי למידה מפורשת של האינטראקציה בין לחות וטמפרטורת קרקע שמשתנות לאט לבין שינויים אטמוספריים מהירים יותר, המודל המצומד צופה טוב יותר גם את הצטברות וגם את ההתמדה של חום קיצוני. אף שעדיין יש אתגרים — במיוחד בנושא הלחות היחסית והמשקעים — הגישה הזו מציעה נתיב מבטיח לאזהרות מוקדמות ומהימנות יותר מפני חום מסוכן ואירועי חום‑בצורת משולבים, ומעניקה לחברות זמן נוסף להגן על אנשים, מערכות אקולוגיות ותשתיות.

ציטוט: 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

מילות מפתח: חיזוי גלי חום, קשר קרקע–אטמוספירה, לחות קרקע, למידת עומק מזג אוויר, קיצוניים אקלימיים