Cette étude vise à améliorer la représentation spatiale des incertitudes dans la prédiction sub-saisonnière de la vitesse du vent en utilisant des modèles d'apprentissage profond. Les approches traditionnelles de prévision sub-saisonnière s'appuient souvent sur des prédicteurs atmosphériques à grande échelle, mais elles peinent à capturer les corrélations spatiales et la cohérence physique. Les auteurs évaluent trois méthodes probabilistes distinctes : la régression quantile par réseau de neurones, les autoencodeurs variationnels et les modèles de diffusion. Ces modèles sont entraînés sur des données de réanalyse ERA5 et appliqués à des prévisions rétrospectives sub-saisonnières de l'ECMWF pour générer des ensembles probabilistes de vitesse du vent. Les résultats montrent que ces approches probabilistes offrent une représentation plus réaliste des incertitudes spatiales par rapport aux méthodes stochastiques plus simples, avec des forces variées en termes de dispersion d'ensemble, de compétence déterministe et de cohérence physique. Ces résultats établissent le downscaling probabiliste comme un outil efficace pour améliorer les prévisions opérationnelles de vent sub-saisonnier, cruciales pour la planification des énergies renouvelables et l'évaluation des risques. Les modèles probabilistes permettent de capturer des dépendances spatiales complexes et d'améliorer la cohérence physique des prévisions, ce qui est essentiel pour des applications pratiques dans les secteurs de l'énergie et de la gestion des risques.