Previsão em alta resolução dos regimes térmicos do solo usando diferentes estruturas de deep learning sob mudanças climáticas

Por que o calor sob a superfície importa

Grande parte de nós pensa nas mudanças climáticas em termos de verões mais quentes e redução das camadas de neve, mas as alterações silenciosas que ocorrem a poucos centímetros abaixo dos nossos pés podem ser igualmente importantes. A temperatura do solo molda o crescimento das culturas, a quantidade de alimento que podemos produzir, a capacidade das paisagens de reter água e a quantidade de carbono que o solo devolve à atmosfera. Este estudo examina o que ocorre abaixo da superfície em uma região montanhosa e semiárida do oeste do Irã e pergunta: como diferentes futuros climáticos aquecerão — ou até resfriarão temporariamente — o solo do qual dependemos, e com que rapidez essas mudanças ocorrerão?

Observando mais de perto uma paisagem acidentada

Os pesquisadores focaram na Província de Lorestan, uma área de picos e vales dramáticos ao longo das montanhas Zagros. Aqui, as temperaturas variam entre um frio intenso no inverno e um calor escaldante no verão, e os agricultores dependem fortemente de água subterrânea para sustentar lavouras e criação de animais. Dez estações meteorológicas registraram diariamente a temperatura do solo a apenas 5 centímetros de profundidade ao longo de várias décadas. Para vislumbrar o futuro, a equipe combinou esses registros locais com projeções de um modelo climático global que descreve a atmosfera em traços amplos e de baixa resolução. O desafio foi traduzir essas projeções embaçadas, em escala planetária, em previsões nítidas em escala de estação que fossem relevantes para gestores locais da terra.

Ensinando computadores a ler o clima

Em vez de usar fórmulas estatísticas tradicionais e relativamente simples, a equipe recorreu ao deep learning — a mesma família de métodos por trás do reconhecimento de voz moderno e da busca por imagens. Testaram quatro arquiteturas de redes neurais especialmente boas em lidar com padrões no espaço e no tempo: uma rede convolucional (CNN), dois projetos orientados a sequência (LSTM e GRU) e um híbrido que combina camadas CNN e LSTM. Antes de treinar esses modelos, eles examinaram 26 variáveis atmosféricas diferentes do Canadian Earth System Model, como temperatura do ar, padrões de pressão, ventos e umidade, usando três técnicas complementares para identificar quais melhor acompanham as temperaturas observadas do solo. A temperatura do ar superficial e a pressão atmosférica de níveis médios emergiram como preditores-chave em quase todas as estações.

Previsões subterrâneas mais nítidas com deep learning híbrido

Com os melhores preditores em mãos, os pesquisadores treinaram e calibraram cada rede neural em dados diários de 1980 a 2014, checando cuidadosamente o desempenho em anos reservados para validação. O modelo híbrido CNN‑LSTM saiu geralmente na frente. Ele capturou tanto os padrões meteorológicos em grande escala quanto as variações diárias da temperatura do solo, alcançando altos índices de desempenho e mantendo erros típicos em alguns graus Celsius. Testes contra observações recentes de 2015 a 2020 mostraram que o modelo podia reproduzir o comportamento real sob vários cenários climáticos — conhecidos como "Shared Socioeconomic Pathways" — que vão de fortes cortes de emissões a um desenvolvimento dependente de combustíveis fósseis. Curiosamente, os cenários que melhor casaram com as tendências recentes do solo variaram com a elevação e a localização: estações mais frias nas montanhas tendiam a alinhar‑se com futuros de baixas emissões, enquanto locais mais quentes em áreas baixas corresponderam a trajetórias de emissões moderadas a altas.

Reviravoltas surpreendentes no aquecimento futuro do solo

Munida de seu modelo de melhor desempenho, a equipe projetou as temperaturas diárias do solo até 2100 sob três futuros representativos: emissões baixas, médias e altas de gases de efeito estufa. Todos os cenários levam, em última instância, a solos mais quentes, mas não da mesma forma nem na mesma velocidade. Sob emissões baixas e médias, as temperaturas do solo aumentam modestamente e então se estabilizam, adicionando cerca de alguns graus Celsius acima dos níveis atuais até o fim do século. Sob a trajetória de altas emissões, entretanto, a história é mais dramática. Nas próximas décadas a camada superior do solo na verdade esfria em muitos locais, provavelmente porque nuvens mais espessas, mudanças na precipitação e solos mais úmidos protegem o solo da radiação solar mesmo enquanto o ar acima aquece lentamente. Após meados do século, esse resfriamento temporário se inverte em aquecimento acelerado, deixando o cenário de altas emissões com os solos mais quentes de longe e um padrão de variabilidade ano a ano fundamentalmente alterado.

O que isso significa para fazendas, água e ecossistemas

Para não especialistas, a mensagem é ao mesmo tempo advertência e prática. Este trabalho mostra que o que ocorre na superfície do solo não é um retrato simples da temperatura do ar; a geografia local e mudanças em nuvens, chuva e umidade podem mascarar temporariamente o aquecimento antes de amplificá‑lo. Agricultores e gestores de recursos hídricos em lugares como Lorestan podem enfrentar uma sequência confusa de solos mais frios seguida por aquecimento rápido e difícil de adaptar, se as emissões permanecerem altas. Em contraste, ação climática robusta — futuros mais próximos das trajetórias de baixas emissões — parece garantir um aquecimento do solo mais lento e constante, com maior probabilidade de ser acompanhado por ecossistemas. Ao aproveitar ferramentas avançadas de deep learning, este estudo oferece uma visão subterrânea mais nítida de nossas escolhas climáticas, traduzindo cenários globais abstratos em riscos e cronogramas concretos na camada de terra que nos alimenta.

Citação: Saeidinia, M., Haghiabi, A.H., Nazeri Tahroudi, M. et al. High-resolution forecasting of soil thermal regimes using different deep learning frameworks under climate change. Sci Rep 16, 7377 (2026). https://doi.org/10.1038/s41598-026-38496-6

Palavras-chave: temperatura do solo, deep learning, mudança climática, downscaling, agricultura