Sechs globale AIWP-KI-Vorhersagedatasets jetzt in GribStream

GribStream bietet jetzt sechs nahezu in Echtzeit aktualisierte Datasets aus dem AI Weather Prediction (AIWP) Reforecast-Archiv: Pangu-Weather, FourCastNet v2-small und GraphCast Operational, jeweils initialisiert mit GFS- und IFS-Analysen.

Dieser Vergleichssatz ist wissenschaftlich besonders nützlich. Die drei Modellfamilien beruhen auf unterschiedlichen Lernarchitekturen. Die gepaarten Anfangsbedingungen zeigen, wie dasselbe Modell von zwei unabhängig erzeugten Schätzungen des Atmosphärenzustands aus weiterläuft. Alle Produkte verwenden dasselbe globale 0,25-Grad-Gitter, 6-Stunden-Schritte, Läufe um 00 und 12 UTC und einen Horizont von 10 Tagen.

Sechs Datasets und drei Modellfamilien

Das AIWP-Archiv wird von CIRA und dem NOAA Global Systems Laboratory für die gemeinschaftliche Evaluation datengetriebener globaler Wettermodelle erstellt. Es veröffentlicht zwei Läufe täglich und beginnt jede Zeitreihe erst nach dem Trainings- oder Feinabstimmungszeitraum des jeweiligen Modells.

Die GribStream-Abdeckung beginnt für FourCastNet GFS mit dem Lauf vom 30. September 2020 um 12 UTC, für FourCastNet IFS mit dem Lauf vom 1. Januar 2022 um 00 UTC und für beide Pangu-Weather- sowie beide GraphCast-Reihen mit dem Lauf vom 27. Mai 2025 um 00 UTC. Diese Zeitpunkte sind der festgelegte Beginn der sechs GribStream-Datasets; ältere Quellläufe gehören nicht zu ihrer Abdeckung.

Was sich mit den GFS- und IFS-Paaren untersuchen lässt

Eine KI-Vorhersage startet aus einem analysierten Atmosphärenzustand, den ein Datenassimilationssystem erzeugt. Mit den GFS- und IFS-Zweigen lässt sich daher untersuchen, wie dasselbe trainierte Modell weiterläuft, wenn sein Anfangszustand aus einem anderen Analysesystem stammt.

Vergleiche gleicher Läufe können Empfindlichkeiten bei Zyklonenposition, Druckmustern, thermischer Struktur, Wind und Feuchte zeigen. Sie sind jedoch kein reines Ranking von GFS gegen IFS: Beobachtungen, Assimilation, Modellphysik und Zeitabläufe können abweichen. Eine Verifikation gegen Beobachtungen oder eine geeignete Analyse bleibt notwendig.

Drei unterschiedliche Ansätze für globales Wetter

Pangu-Weather behandelt Druckflächen in einem erdspezifischen 3D-Transformer als dritte räumliche Dimension. Seine hierarchische zeitliche Aggregation kombiniert Netze für Schritte von 1, 3, 6 und 24 Stunden. Die Pangu-Weather-Publikation beschreibt die Architektur.

FourCastNet v2-small verwendet einen sphärischen neuronalen Fourier-Operator. Seine globalen Spektraloperationen sind für die Kugel formuliert und sollen wiederholte autoregressive Vorhersagen stabilisieren. Die Publikation zu sphärischen neuronalen Fourier-Operatoren erklärt die Methode.

GraphCast nutzt ein neuronales Graphennetz auf einem mehrskaligen Mesh. Es überträgt den Zustand des Breiten-Längen-Gitters auf das Mesh, entwickelt die Atmosphäre um 6 Stunden weiter und dekodiert das Ergebnis zurück auf das globale Gitter. Die GraphCast-Publikation dokumentiert das Modell.

Die veröffentlichten Ergebnisse liefern wissenschaftlichen Kontext, garantieren aber nicht die Genauigkeit aktueller AIWP-Läufe. Anfangszustand, Zeitraum und Verifikationsreferenz sind entscheidend.

Das passende AIWP-Dataset wählen

Pangu-Weather eignet sich mit seiner kompakten Zustandsdarstellung und spezifischen Feuchte für Zirkulations- und Feuchtetransportstudien. Niederschlag, Wolken, Strahlung und Oberflächenflüsse fehlen.

FourCastNet v2-small ist sinnvoll, wenn relative Feuchte, 100-Meter-Wind, Oberflächendruck oder gesamter Säulenwasserdampf benötigt werden. Niederschlag und Vertikalgeschwindigkeit fehlen.

GraphCast bietet 6-Stunden-Niederschlag und Vertikalgeschwindigkeit auf Druckflächen. In aiwpgraphcastifs enthalten die ersten beiden apcp-Datensätze im gesamten Gitter keine Werte; deshalb beginnt das Inventar für Niederschlag bei Stunde 12 und für die übrigen Felder bei Stunde 6.

Alle sechs sind deterministische Forschungsvorhersagen. Für operative Entscheidungen sollten sie mit Beobachtungen, Ensembles und aktuellen offiziellen Vorhersagen verglichen werden.

Eine Anfrageform für alle sechs

Dieselbe Struktur für /runs und /timeseries funktioniert überall. Das Beispiel wählt den Pangu-Weather-GFS-Lauf vom 17. Juli um 12 UTC, Stunde 120, für New York:

{
  "timesList": ["2026-07-17T12:00:00Z"],
  "minLeadTime": "120h",
  "maxLeadTime": "120h",
  "coordinates": [{"lat": 40.7128, "lon": -74.0060, "name": "New York City"}],
  "variables": [
    {"name": "t2", "level": "", "info": "", "alias": "temperature_k"},
    {"name": "msl", "level": "", "info": "", "alias": "pressure_pa"},
    {"name": "z", "level": "500 hPa", "info": "", "alias": "geopotential_m2_s-2"}
  ]
}

Für dieses Beispiel wird der Dataset-Code aiwppangu verwendet. Für ein anderes Modell oder Anfangsbedingungssystem wird der Code geändert und die Selektoren aus dem jeweiligen Inventar gewählt; es wird kein künstliches gemeinsames Vokabular erzwungen.

Attribution und Forschungsgrenzen

Das Register bezeichnet AIWP als offene Daten ohne Nutzungsbeschränkung, weist aber auf mögliche Lücken und nicht garantierte Verfügbarkeit hin. Es bittet um Zitierung der AIWP-Archivpublikation. Diese Produkte dienen der Evaluation und sind keine offiziellen operativen NOAA- oder ECMWF-Vorhersagen.

Behandeln Sie diese Quellen als experimentelle Forschungs-Feeds. Die öffentliche README-Datei beschreibt die Bereitstellung ohne Gewähr sowie eine frühere Neuberechnung, weiterhin variable Veröffentlichungszeiten und eine Änderung der Verzeichnisstruktur. Verwenden Sie einen AIWP-Feed nicht als einzige Abhängigkeit für ein ausfallsensibles System: Überwachen Sie die Aktualität von forecasted_at (Zeitpunkt des Modelllaufs) und halten Sie ein operatives Ersatz-Dataset vor.

Offizielle Quellen:

• AIWP-Register: https://registry.opendata.aws/aiwp/
• Öffentliches README: https://noaa-oar-mlwp-data.s3.amazonaws.com/README.txt
• AIWP-Archivpublikation: https://doi.org/10.1175/BAMS-D-24-0057.1
• Pangu-Weather: https://doi.org/10.1038/s41586-023-06185-3
• FourCastNet v2-small: https://arxiv.org/abs/2306.03838
• GraphCast: https://doi.org/10.1126/science.adi2336
• Modellkatalog
• API-Dokumentation