Информация о земной поверхности из спутников повышает точность прогнозов температуры у поверхности

Почему более точные температурные прогнозы важны для вас

От решения, что надеть на следующей неделе, до управления урожаем, энергосетями и риском лесных пожаров — мы все полагаемся на точные прогнозы температуры. Даже при наличии мощных суперкомпьютеров погодные модели всё ещё испытывают трудности, особенно на сроках более нескольких дней. В этом исследовании рассматривается простая, но недостаточно используемая идея: делать прогнозы умнее, уделяя больше внимания самой поверхности земли — насколько горячая поверхность и как активно растут растения — используя глобальные спутниковые данные.

Смотреть на Землю сверху

Современные погодные прогнозы в основном опираются на информацию об атмосфере: ветер, влажность, облака и давление. Но спутники десятилетиями тихо накапливали богатую информацию о поверхности земли. Сюда входит температура поверхности земли (насколько горячая «кожа» почвы), индекс зелёности растительности и слабо заметное свечение листьев — флюоресценция, вызванная светом, которая показывает, насколько активно растения фотосинтезируют. Традиционные системы прогнозирования в основном игнорируют эти наземные и растительные сигналы, потому что их сложно корректно представить в моделях, основанных на физике. Авторы этой работы решили проверить другой подход: вместо того чтобы принудительно встраивать спутниковые данные в существующие модели, они создали отдельную, гибкую систему глубокого обучения, которая могла напрямую учиться на атмосферных и спутниковых наблюдениях.

Обучение нейросети погоде

Для этого команда обучила тысячи небольших нейросетей, известных как модели с долгой краткосрочной памятью (LSTM). Каждая моделировала конкретную точку на глобусе и изучала, как ежедневно изменялась температура в этой точке со временем. Сначала сетям подавались только «стандартные» входные данные, аналогичные тем, что используют традиционные погодные модели: температура воздуха у поверхности, поступающее солнечное и тепловое излучение, влажность, давление, осадки, влажность почвы и снеговой покров. Затем обучили второй набор сетей, получавших те же данные плюс три спутниковых наземных переменных: температура поверхности земли, индекс зелёности и флюоресценция растений. Сравнивая производительность двух семейств моделей, они напрямую измерили, насколько дополнительная наземная информация помогла.

Небольшие изменения — большое влияние

По всему земному шару и для прогнозов на один — двенадцать дней вперёд добавление спутниковой наземной информации последовательно делало предсказания температуры более точными. В среднем ошибки прогнозов уменьшились примерно на 6–7 процентов, что соответствует приблизительно четверти градуса Цельсия улучшения. Наибольший эффект наблюдался примерно на четвёртый день — важном «среднесрочном» окне, часто используемом для планирования. Улучшения были особенно заметны в лесах за пределами тропиков и в полузасушливых регионах, где обмен теплом и влагой между землёй и воздухом сильно определяет местные температуры. Во многих таких районах спутниковые показатели активности растений и температуры поверхности земли стали единственными наиболее важными предикторами, превосходя традиционные атмосферные входы.

Что растения рассказывают о завтрашней жаре

Одним из поразительных результатов является то, что флюоресценция растений — прямой признак фотосинтеза — зачастую оказывалась важнее простых мер зелёности. Когда растения активно поглощают углерод и испаряют воду, они охлаждают поверхность и влияют на то, как входящая энергия разделяется между нагревом воздуха и испарением. Поскольку эти процессы разворачиваются в течение нескольких дней, они придают прогнозам своего рода «память» о недавних наземных условиях. Нейросети уловили эту связь: там, где растительность сильно меняется по сезонам и где влажность почвы ограничивает активность растений, добавленные спутниковые данные давали наибольшую пользу. Напротив, тропические дождевые леса — с плотной вечнозелёной кроной и частыми облаками, ухудшающими качество спутниковых измерений — показали смешанные результаты, а в некоторых ячейках сетки наблюдалось небольшое ухудшение, связанное с проблемами качества данных.

Помощь в прогнозе, когда это особенно важно

Преимущества спутниковой наземной информации не ограничивались лишь несколькими днями вперёд. Хотя относительное улучшение уменьшалось на более длинных горизонтах — потому что атмосферу в принципе сложнее предсказывать — некоторые регионы, такие как части Северной и Южной Америки, южной Африки и западной Азии, сохраняли выигрыш в качестве прогноза даже на 11–12 дней. Это те временные масштабы, в которых ранние предупреждения о волнах тепла и холодных вспышках могут спасать жизни и снижать экономические потери. Исследование также показало, что в регионах с очень скудными или низкокачественными спутниковыми данными использование долгосрочных средних паттернов этих наземных переменных иногда работает лучше, чем опора на шумные покомпонентные суточные измерения, что наводит на практические стратегии для реальных систем прогнозирования.

Новое партнёрство между спутниками и погодными моделями

Для неспециалистов ключевое сообщение простое: почва и растения на ней содержат ценные подсказки о завтрашней температуре воздуха, и спутники уникальным образом способны зафиксировать эти подсказки по всему миру. Позволив системе глубокого обучения учиться напрямую на этих наблюдениях, исследователи показали, что прогнозы можно сделать существенно точнее, особенно за несколько дней вперёд, когда принимается много решений. Их работа даёт основание полагать, что будущие оперативные погодные модели могут стать точнее и полезнее, систематически интегрируя спутниковую информацию о земле и растительности в процесс прогнозирования — объединяя сильные стороны физически обоснованных моделей и моделей, обученных на данных, чтобы лучше предвидеть жару и холод, которые формируют нашу повседневную жизнь.

Цитирование: Ruiz-Vásquez, M., O, S., Brenning, A. et al. Land surface information from satellites boost near-surface temperature forecast skill. Commun Earth Environ 7, 245 (2026). https://doi.org/10.1038/s43247-026-03298-1

Ключевые слова: спутниковые данные о поверхности земли, прогнозирование температуры, глубокое обучение в погодных моделях, растительность и климат, численное прогнозирование погоды