Model sprzężony ląd‑atmosfera oparty na głębokim uczeniu do prognozowania fal upałów

Dlaczego przewidywanie śmiertelnych upałów ma znaczenie

Niebezpieczne fale upałów stają się częstsze i silniejsze wraz z ocieplaniem się klimatu, zagrażając zdrowiu, produkcji żywności i systemom energetycznym. Nawet przy użyciu potężnych superkomputerów prognozy często nie wyłapują, jak skrajna stanie się fala upałów ani jak długo będzie trwała. W tym badaniu przedstawiono nowe podejście sztucznej inteligencji (AI), które analizuje nie tylko powietrze nad nami, lecz także wilgoć i temperaturę zgromadzone w glebie, by usprawnić krótkoterminowe prognozy fal upałów nad północną półkulą.

Jak gleba „rozmawia” z niebem

Kiedy gleby są wilgotne, znaczna część energii słonecznej zużywana jest na parowanie wody, co ochładza powierzchnię. Gdy gleby wysychają, mniej energii idzie na parowanie, a więcej przekształca się w bezpośrednie ogrzewanie powietrza tuż nad gruntem. Ta zmiana może uruchomić sprzężenie zwrotne: bardziej wysuszona gleba prowadzi do cieplejszego powietrza, co zwiększa zapotrzebowanie na parowanie i jeszcze bardziej wysusza glebę, wzmacniając upał. Obserwacje i wcześniejsze prace modelowe wykazały, że to sprzężenie ląd–atmosfera jest głównym czynnikiem ciężkich fal upałów w regionach takich jak centralna Ameryka Północna i Europa, jednak większość modeli pogodowych opartych na AI dotąd w dużej mierze pomijała lądową stronę tego procesu.

Nauczanie AI, by śledziła ląd i atmosferę razem

Autorzy zbudowali model „sprzężony” ląd–atmosfera, który przyjmuje zarówno zmienne atmosferyczne (takie jak temperatura powietrza, ciśnienie i wiatr), jak i lądowe (wilgotność gleby i temperatura gleby w kilku warstwach) z produktu reanalizy ERA5. Wykorzystując splotową sieć neuronową, która kompresuje, a następnie rekonstruuje globalne mapy pogodowe, system jest trenowany do prognozowania warunków dziennych do tygodnia naprzód. Kluczowe znaczenie ma to, że zamiast optymalizować model tylko pod kątem najbliższego dnia, zespół zastosował metodę trenowania „wielokrokowego”: AI jest karana za błędy dla wszystkich horyzontów prognozy od jednego do siedmiu dni, z nieco większą wagą przypisaną okresowi bliskiemu. To skłania model do uczenia się, jak warunki lądowe i atmosfera współ ewoluują przez kilka dni, zamiast wykonywać odrębne skoki jednodniowe.

Silniejsze powiązania między suchą glebą a skrajnym ciepłem

Aby sprawdzić, czy AI rzeczywiście uchwyciła sprzężenie ląd–atmosfera, badacze zbadali korelację między wilgotnością gleby w warstwie powierzchniowej a dwoma kluczowymi wielkościami: dzienną temperaturą maksymalną i strumieniem ciepła utajonego (energią związaną z parowaniem). W obserwacjach suche gleby zwykle współwystępują z cieplejszymi dniami i zmniejszonym strumieniem utajonym w wielu regionach środkowych szerokości geograficznych lądów. Model sprzężony trenowany z użyciem strat wielokrokowych odtworzył te wzorce znacznie wierniej niż ta sama architektura trenowana z prostą stratą jednokrokową. Wersja jednokrokowa systematycznie niedoszacowywała siły powiązania między suchością gleby a zarówno ogrzewaniem powierzchni, jak i parowaniem, szczególnie dla strumienia parowania, co wskazuje, że pomijała opóźniony wpływ warunków glebowych na powietrze nad nimi.

Bardziej wyostrzone prognozy fal upałów i skąd bierze się umiejętność

W warunkach fal upałów — zdefiniowanych jako dni, gdy lokalne temperatury maksymalne przekraczają 90. percentyl — model sprzężony wykazał wyraźne korzyści. W prognozach jednodniowych do siedmiodniowych osiągnął 5,9–11,2% redukcję błędu temperatury w porównaniu z modelem AI obejmującym tylko atmosferę, gdy trenowano go z wykorzystaniem strat wielokrokowych, podczas gdy ta sama porównawcza z treningiem jednokrokowym dawała tylko 0,4–2,4% poprawy. Największe zyski pojawiały się około trzech dni naprzód, gdy zarówno wilgotność gleby, jak i cyrkulacja na dużą skalę pozostają stosunkowo przewidywalne i wzajemnie się wzmacniają. Wraz z wydłużaniem horyzontu prognozy wzorce atmosferyczne stają się trudniejsze do przewidzenia, ale wilgotność gleby utrzymuje pamięć przez dłuższy czas; model sprzężony nadal czerpie umiejętność z tego wolniej zmieniającego się stanu lądowego, szczególnie w regionach, gdzie suche gleby i gorące ekstrema są ściśle powiązane.

Realne fale upałów jako poligon testowy

Zespół przeanalizował także dwie niedawne poważne fale upałów: lądowo napędzaną falę z 2018 roku w Europie Zachodniej oraz bardziej atmosferycznie sterowaną falę z 2022 roku w Azji Wschodniej. W Europie obserwacje wykazały wyjątkowo suche gleby, zwiększone ciepło sensible, ograniczone parowanie i przedłużone ekstremalne temperatury. Model sprzężony uchwycił ten ciąg zdarzeń znacznie lepiej niż wersja obejmująca tylko atmosferę, realistycznie śledząc wysychanie gleby, zmiany strumieni energii oraz wzrost i spadek dziennych temperatur maksymalnych i minimalnych. W Azji Wschodniej, gdzie wiodącą rolę odegrał wzmocniony grzbiet wysokiego ciśnienia w środkowej troposferze, model sprzężony również poprawił ewolucję temperatur i w rozsądnym stopniu odtworzył rozwój suszy, choć tam wysychanie gleby było raczej konsekwencją niż przyczyną fali upałów.

Co to oznacza dla przyszłych ostrzeżeń o upałach

Badanie pokazuje, że połączenie informacji o stanie lądu z strategią trenowania patrzącą kilka dni naprzód może znacząco poprawić prognozy fal upałów oparte na AI. Poprzez jawne uczenie się, jak wolno zmieniająca się wilgotność i temperatura gleby wchodzą w interakcję z szybszymi zmianami atmosferycznymi, model sprzężony lepiej przewiduje zarówno narastanie, jak i utrzymywanie skrajnego gorąca. Chociaż wyzwania pozostają — zwłaszcza w kwestii wilgotności powietrza i opadów — podejście to oferuje obiecującą ścieżkę do wcześniejszych i bardziej wiarygodnych ostrzeżeń o niebezpiecznych upałach i złożonych zdarzeniach upał‑susza, dając społeczeństwom dodatkowy czas na ochronę ludzi, ekosystemów i infrastruktury.

Cytowanie: 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

Słowa kluczowe: prognozowanie fal upałów, sprzężenie ląd–atmosfera, wilgotność gleby, głębokie uczenie pogodowe, ekstrema klimatyczne