Um modelo acoplado terra-atmosfera baseado em deep learning para previsão de ondas de calor

Por que prever calor mortal é importante

Ondas de calor perigosas estão se tornando mais frequentes e intensas à medida que o clima aquece, ameaçando a saúde, a produção de alimentos e os sistemas de energia. Ainda assim, mesmo com supercomputadores potentes, as previsões frequentemente erram na intensidade que uma onda de calor atingirá ou na duração que terá. Este estudo apresenta uma nova abordagem de inteligência artificial (IA) que observa não só o ar acima de nós, mas também a umidade e a temperatura armazenadas no solo, para aprimorar previsões de curto prazo de ondas de calor sobre o Hemisfério Norte.

Como o solo conversa com o céu

Quando os solos estão úmidos, grande parte da energia do Sol é usada para evaporar água, o que resfria a superfície. À medida que o solo seca, menos energia é usada na evaporação e mais é convertida em aquecimento direto do ar logo acima do solo. Essa mudança pode desencadear um ciclo auto‑reforçador: solo mais seco leva a ar mais quente, o que aumenta a demanda por evaporação e seca ainda mais o solo, intensificando ainda mais o calor. Observações e trabalhos de modelagem anteriores mostram que esse feedback terra–atmosfera é um dos principais motores de ondas de calor severas em regiões como o centro da América do Norte e a Europa, mas a maioria dos modelos de tempo por IA até agora têm em grande parte ignorado o lado terrestre dessa história.

Ensinando a IA a acompanhar terra e ar em conjunto

Os autores construíram um modelo "acoplado" terra–atmosfera que ingere tanto variáveis atmosféricas (como temperatura do ar, pressão e ventos) quanto variáveis terrestres (umidade do solo e temperatura do solo em várias camadas) a partir do conjunto de reanálise ERA5. Usando uma rede neural convolucional que comprime e então reconstrói mapas meteorológicos globais, o sistema é treinado para prever condições diárias com antecedência de até uma semana. De forma crucial, em vez de otimizar o modelo apenas para o dia seguinte, a equipe utilizou um método de treinamento “multi‑passo”: a IA é penalizada com base em erros ao longo de todos os horizontes de previsão de um a sete dias, com um peso ligeiramente maior no curto prazo. Isso incentiva o modelo a aprender como as condições do solo e a atmosfera evoluem conjuntamente ao longo de vários dias, em vez de fazer saltos desconectados de um dia.

Vínculos mais fortes entre solos secos e calor extremo

Para testar se a IA realmente capturava o acoplamento terra–atmosfera, os pesquisadores examinaram a correlação entre a umidade do solo na camada superior e duas quantidades-chave: a temperatura máxima diária e o fluxo de calor latente (a energia envolvida na evaporação). Nas observações, solos secos tendem a coincidir com dias mais quentes e redução do fluxo latente em muitas regiões terrestres de latitudes médias. O modelo acoplado treinado com perda multi‑passo reproduziu esses padrões com muito mais fidelidade do que a mesma arquitetura treinada com perda simples de um passo. A versão de passo único subestimou consistentemente quão forte é a conexão entre a secura do solo e tanto o aquecimento da superfície quanto a evaporação, especialmente para o fluxo evaporativo, indicando que ela não captava o impacto retardado das condições do solo sobre o ar acima.

Previsões de ondas de calor mais nítidas e de onde vem a habilidade

Em condições de onda de calor — definidas como dias em que as temperaturas máximas locais excedem o percentil 90 — o modelo acoplado mostrou benefícios claros. Ao longo de previsões de um a sete dias, ele alcançou reduções de erro de temperatura de 5,9–11,2% em comparação com um modelo de IA apenas atmosférico quando treinado com perda multi‑passo, enquanto a mesma comparação com treinamento de passo único resultou em apenas 0,4–2,4% de melhoria. Os maiores ganhos apareceram por volta de três dias de antecedência, quando tanto a umidade do solo quanto a circulação em grande escala permanecem razoavelmente previsíveis e se reforçam mutuamente. À medida que o horizonte de previsão se estende, padrões atmosféricos tornam‑se mais difíceis de prever, mas a umidade do solo mantém memória por mais tempo; o modelo acoplado continua a extrair habilidade desse estado terrestre de evolução lenta, particularmente em regiões onde solos secos e extremos quentes estão fortemente ligados.

Ondas de calor do mundo real como campo de provas

A equipe também examinou duas ondas de calor severas recentes: o evento de 2018 na Europa Ocidental, impulsionado pela terra, e a onda de calor de 2022 no Leste Asiático, mais conduzida pela atmosfera. Na Europa, as observações mostraram solos incomumente secos, aumento do calor sensível, evaporação suprimida e temperaturas extremas prolongadas. O modelo acoplado capturou essa cadeia de eventos muito melhor do que a versão apenas atmosférica, acompanhando realisticamente o ressecamento do solo, as mudanças nos fluxos de energia e a subida e descida das temperaturas máximas e mínimas diárias. No Leste Asiático, onde um cavado de alta pressão amplificado na média troposfera desempenhou o papel principal, o modelo acoplado ainda melhorou a evolução da temperatura e reproduziu razoavelmente o desenvolvimento da seca, embora ali o ressecamento do solo tenha sido mais consequência do que causa da onda de calor.

O que isso significa para alertas futuros de calor

O estudo mostra que combinar informações terrestres com uma estratégia de treinamento que olha vários dias à frente pode melhorar de forma significativa as previsões por IA de ondas de calor. Ao aprender explicitamente como a umidade e a temperatura do solo, que mudam lentamente, interagem com mudanças atmosféricas mais rápidas, o modelo acoplado antecipa melhor tanto a construção quanto a persistência do calor extremo. Embora desafios permaneçam — especialmente para umidade e chuva — essa abordagem oferece um caminho promissor para avisos mais precoces e confiáveis de calor perigoso e eventos combinados de calor e seca, dando às sociedades tempo extra para proteger pessoas, ecossistemas e infraestrutura.

Citação: 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

Palavras-chave: previsão de ondas de calor, acoplamento terra–atmosfera, umidade do solo, deep learning para tempo, extremos climáticos