Модель взаимосвязанной земля‑атмосфера на основе глубокого обучения для прогноза экстремальной жары

Почему важно предсказывать смертельную жару

Опасные тепловые волны становятся всё более частыми и интенсивными по мере потепления климата, угрожая здоровью людей, продовольственному обеспечению и энергетическим системам. Даже при наличии мощных суперкомпьютеров прогнозам часто не хватает точности в оценке интенсивности или длительности такой жары. В этом исследовании предлагается новый подход на основе искусственного интеллекта (ИИ), который учитывает не только воздух над нами, но и влагу и температуру, накопленные в почве, чтобы улучшить краткосрочные прогнозы тепловых волн в Северном полушарии.

Как почва «общается» с небом

Когда почвы влажные, значительная часть энергии Солнца расходуется на испарение воды, что охлаждает поверхность. По мере высыхания почвы меньше энергии уходит на испарение и больше преобразуется в непосредственный нагрев воздуха у поверхности. Этот сдвиг может запустить самоподдерживающуюся петлю: высыхание почвы ведёт к более тёплому воздуху, что увеличивает спрос на испарение и ещё сильнее сушит грунт, усиливая жару. Наблюдения и предыдущие модели показали, что такое взаимодействие земля–атмосфера является важным фактором сильных тепловых волн в регионах, таких как центральная часть Северной Америки и Европа, но большинство погодных ИИ‑моделей до сих пор во многом игнорировали земную составляющую.

Обучение ИИ следить за землёй и атмосферой вместе

Авторы создали «связанную» модель земля–атмосфера, которая использует как атмосферные переменные (температуру воздуха, давление, ветры), так и земные переменные (влажность и температуру почвы в нескольких слоях) из реанализа ERA5. С помощью свёрточной нейронной сети, которая сжимает и затем восстанавливает глобальные карты погоды, система обучается прогнозировать ежедневные условия на срок до недели. Критически важно, что вместо оптимизации модели только для следующего дня команда использовала метод обучения с «многошаговой» потерей: ИИ штрафуется за ошибки на всех горизонтах от одного до семи дней, при этом чуть больший вес даётся ближнему периоду. Это побуждает модель учиться тому, как земные условия и атмосфера развиваются совместно в течение нескольких дней, а не делать разрозненные однодневные скачки.

Усиленные связи между сухой почвой и экстремальной жарой

Чтобы проверить, действительно ли ИИ улавливает взаимодействие земля–атмосфера, исследователи изучили корреляцию между влажностью верхнего слоя почвы и двумя ключевыми величинами: суточной максимальной температурой и потоком скрытой теплоты (энергией, связанной с испарением). В наблюдениях сухая почва часто совпадает с более тёплыми днями и уменьшением скрытой теплоты во многих средних широтах. Связанная модель ИИ, обученная с многошаговой потерей, воспроизвела эти закономерности гораздо точнее, чем та же архитектура, обученная с простой одношаговой потерей. Одношаговая версия стабильно занижала силу связи между сухостью почвы и как нагревом поверхности, так и испарением, особенно для испарительного потока, что указывает на то, что она упускала отсроченное воздействие состояния почвы на надлежащий воздух.

Более точные прогнозы тепловых волн и откуда берётся качество

В условиях тепловых волн — определённых как дни, когда местные максимумы температуры превышают 90‑й процентиль — связанная модель показала явные преимущества. Для прогнозов на один‑—семь дней она обеспечила снижение ошибки по температуре на 5,9–11,2% по сравнению с моделью, учитывающей только атмосферу, при обучении с многошаговой потерей, тогда как при сравнении с одношаговым обучением улучшение составило лишь 0,4–2,4%. Наибольшие выигрыши наблюдались примерно за три дня вперёд, когда и влажность почвы, и крупномасштабная циркуляция остаются относительно предсказуемыми и усиливают друг друга. По мере увеличения горизонта прогноза атмосферные структуры становятся труднее предсказать, но влажность почвы сохраняет «память» дольше; связанная модель продолжает извлекать качество из этого медленно меняющегося состояния земли, особенно в регионах, где сухость почвы и жаркие экстремумы тесно связаны.

Реальные тепловые волны как испытательный полигон

Команда также рассмотрела две недавние сильные тепловые волны: вызванную землёй волну 2018 года в Западной Европе и более атмосферно обусловленную волну 2022 года в Восточной Азии. В Европе наблюдались аномально сухие почвы, увеличение доступной для конвекции сенсибл‑теплоты, подавленное испарение и затяжные экстремальные температуры. Связанная модель лучше передала эту последовательность событий по сравнению с версией, учитывающей только атмосферу, реалистично отслеживая высыхание почвы, изменения потоков энергии и подъём и спад суточных максимумов и минимумов температуры. В Восточной Азии, где ведущую роль сыграл усиленный гребень высокого давления в средних тропосферных слоях, связанная модель всё равно улучшила эволюцию температуры и достаточно точно воспроизвела развитие засухи, хотя там высыхание почвы больше было следствием, чем причиной тепловой волны.

Что это означает для будущих предупреждений о жаре

Исследование показывает, что объединение информации о почве с стратегией обучения, учитывающей несколько дней вперёд, может существенно улучшить прогнозы тепловых волн на основе ИИ. Явно обучаясь тому, как медленно меняющаяся влажность и температура почвы взаимодействуют с более быстрыми атмосферными изменениями, связанная модель лучше предвидит как накопление, так и продолжительность экстремальной жары. Хотя остаются вызовы — особенно по влажности воздуха и осадкам — этот подход предлагает перспективный путь к более ранним и надёжным предупреждениям о опасной жаре и комплексных событиях «жара‑засуха», давая обществам дополнительное время для защиты людей, экосистем и инфраструктуры.

Цитирование: 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

Ключевые слова: прогноз жары, взаимодействие земля–атмосфера, влажность почвы, глубокое обучение погода, климатические экстримы