Grâce aux progrès remarquables des technologies d’apprentissage profond, de nombreuses tentatives ont été entreprises pour concevoir des modèles climatiques fondés sur l’apprentissage profond. Alors que la plupart de ces approches s’appuient sur des réseaux de neurones récurrents et/ou des réseaux de neurones graphes, nous proposons un nouveau modèle climatique reposant sur deux concepts clés : l’équation différentielle ordinaire neuronale (NODE) et l’équation d’advection-diffusion. L’équation d’advection-diffusion est largement utilisée en modélisation climatique car elle décrit de nombreux processus physiques impliquant des mouvements browniens et des mouvements collectifs dans les systèmes climatiques. D’un autre côté, les NODEs visent à apprendre une équation gouvernante latente de type équation différentielle ordinaire à partir de données. Dans notre méthode, nous combinons ces deux approches dans un cadre unifié et introduisons un nouveau concept, appelé équation neuronale d’advection-diffusion (NADE). Notre modèle NADE, intégrant à la fois l’équation d’advection-diffusion et un réseau de neurones supplémentaire destiné à modéliser l’incertitude intrinsèque, parvient à apprendre une équation gouvernante latente adaptée, qui décrit de manière optimale un jeu de données climatiques donné. Dans nos expériences menées sur trois jeux de données réels, deux jeux synthétiques et quatorze méthodes de référence, notre approche s’impose de manière cohérente et significative par rapport aux méthodes existantes.