Un modello accoppiato suolo‑atmosfera basato sul deep learning per la previsione delle ondate di calore

Perché è importante prevedere il calore letale

Le ondate di calore pericolose stanno diventando più frequenti e intense con il riscaldamento climatico, minacciando la salute, la produzione alimentare e i sistemi energetici. Eppure, anche con supercomputer potenti, le previsioni spesso sottovalutano quanto estrema diventerà un’ondata di calore o quanto a lungo durerà. Questo studio presenta un nuovo approccio di intelligenza artificiale (IA) che considera non solo l’aria sopra di noi, ma anche l’umidità e la temperatura immagazzinate nel terreno, per affinare le previsioni a breve termine delle ondate di calore sull’emisfero settentrionale.

Come il suolo comunica con il cielo

Quando i suoli sono umidi, gran parte dell’energia solare viene impiegata per evaporare l’acqua, raffreddando la superficie. Quando i suoli si asciugano, meno energia è destinata all’evaporazione e più viene convertita in riscaldamento diretto dell’aria subito sopra il terreno. Questo cambiamento può innescare un circuito auto‑rafforzante: suolo più secco porta a aria più calda, che aumenta la domanda di evaporazione e asciuga ulteriormente il suolo, intensificando ancora il caldo. Osservazioni e studi modellistici passati hanno dimostrato che questo feedback suolo–atmosfera è un motore importante delle ondate di calore severe in regioni come il centro del Nord America e l’Europa, ma la maggior parte dei modelli meteorologici basati su IA finora ha in gran parte ignorato il lato terrestre di questa dinamica.

Insegnare all’IA a seguire insieme suolo e atmosfera

Gli autori hanno costruito un modello «accoppiato» suolo–atmosfera che integra sia variabili atmosferiche (come temperatura dell’aria, pressione e venti) sia variabili del suolo (umidità e temperatura del suolo su più strati) tratte dal dataset di rianalisi ERA5. Usando una rete neurale convoluzionale che comprime e poi ricostruisce mappe meteorologiche globali, il sistema è addestrato a prevedere le condizioni giornaliere fino a una settimana di anticipo. Crucialmente, invece di ottimizzare il modello solo per il giorno successivo, il team ha impiegato un metodo di addestramento “multi‑passo”: l’IA viene penalizzata in base agli errori su tutti i tempi di previsione da uno a sette giorni, con un peso leggermente maggiore sul breve termine. Questo incentiva il modello a imparare come le condizioni del suolo e l’atmosfera evolvono insieme su più giorni, piuttosto che effettuare salti disconnessi di un giorno alla volta.

Legami più forti tra suoli secchi e caldo estremo

Per verificare se l’IA stesse effettivamente catturando l’accoppiamento suolo–atmosfera, i ricercatori hanno esaminato la correlazione tra l’umidità del primo strato di suolo e due grandezze chiave: la temperatura massima giornaliera e il flusso di calore latente (l’energia legata all’evaporazione). Nelle osservazioni, i suoli secchi tendono a coincidere con giornate più calde e una riduzione del calore latente in molte regioni terrestri di latitudini temperate. Il modello accoppiato addestrato con la perdita multi‑passo ha riprodotto questi schemi in modo molto più fedele rispetto alla stessa architettura addestrata con una semplice perdita a singolo passo. La versione a passo singolo sottostimava costantemente quanto fosse forte la connessione tra secchezza del suolo sia con il riscaldamento superficiale sia con l’evaporazione, soprattutto per il flusso evaporativo, indicando che non coglieva l’impatto ritardato delle condizioni del suolo sull’aria sovrastante.

Previsioni di ondate di calore più precise e da dove nasce la competenza

In condizioni di ondata di calore — definite come giornate in cui le temperature massime locali superano il 90° percentile — il modello accoppiato ha mostrato benefici chiari. Sulle previsioni da uno a sette giorni, ha ottenuto riduzioni dell’errore di temperatura del 5,9–11,2% rispetto a un modello IA solo atmosferico quando addestrato con perdita multi‑passo, mentre lo stesso confronto con addestramento a passo singolo ha fornito solo un miglioramento dello 0,4–2,4%. I guadagni maggiori sono apparsi intorno ai tre giorni di anticipo, quando sia l’umidità del suolo sia la circolazione su larga scala restano ragionevolmente prevedibili e si rinforzano a vicenda. All’aumentare dell’orizzonte di previsione, i modelli atmosferici diventano più difficili da prevedere, ma l’umidità del suolo conserva memoria più a lungo; il modello accoppiato continua a trarre vantaggio da questo stato terrestre a evoluzione lenta, in particolare nelle regioni dove suoli secchi ed estremi di calore sono strettamente collegati.

Ondata di calore reali come terreno di prova

Il team ha anche esaminato due recenti ondate di calore severe: l’evento dell’Europa occidentale del 2018 guidato dal suolo e l’ondata dell’Asia orientale del 2022 più guidata dall’atmosfera. In Europa, le osservazioni hanno mostrato suoli insolitamente secchi, aumento del calore sensibile, evaporazione soppressa e temperature estreme prolungate. Il modello accoppiato ha catturato questa catena di eventi molto meglio della versione solo atmosferica, tracciando in modo realistico l’asciugamento del suolo, i cambiamenti dei flussi energetici e l’innalzamento e il calo delle temperature massime e minime giornaliere. Nell’Asia orientale, dove un cresta di alta pressione amplificata nella medio troposfera ha giocato il ruolo principale, il modello accoppiato ha comunque migliorato l’evoluzione delle temperature e ha riprodotto in modo ragionevole lo sviluppo della siccità, anche se l’asciugamento del suolo lì è stato più una conseguenza che una causa dell’ondata di calore.

Cosa significa per gli avvisi di calore futuri

Lo studio dimostra che combinare informazioni sul suolo con una strategia di addestramento che guarda diversi giorni avanti può migliorare significativamente le previsioni delle ondate di calore basate su IA. Imparando esplicitamente come l’umidità e la temperatura del suolo, che cambiano lentamente, interagiscono con i rapidi mutamenti atmosferici, il modello accoppiato anticipa meglio sia l’accumulazione sia la persistenza del caldo estremo. Sebbene permangano sfide — in particolare per umidità dell’aria e precipitazioni — questo approccio offre una via promettente verso avvisi di calore e di eventi combinati caldo‑siccità più precoci e affidabili, dando alle società più tempo per proteggere persone, ecosistemi e infrastrutture.

Citazione: 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

Parole chiave: previsione delle ondate di calore, accoppiamento suolo–atmosfera, umidità del suolo, deep learning meteorologico, estremi climatici