AIWP Pangu-Weather GFS-Reforecast

GribStream-Code: aiwppangu

Offizielle Quelle: Das AI Weather Prediction-Archiv ist eine Zusammenarbeit von CIRA und NOAA Global Systems Laboratory zur Bewertung datengetriebener globaler Wettermodelle. Diese Seite behandelt Pangu-Weather mit NOAA-GFS-Analysen als Anfangszustand.

Aktuelle GribStream-Abdeckung: aiwppangu beginnt mit dem Lauf vom 27. Mai 2025 um 00 UTC und wächst mit den zweimal täglich veröffentlichten Vorhersagen. Das Quellarchiv enthält ältere Läufe seit Oktober 2020; Läufe vor dem 27. Mai 2025 gehören jedoch nicht zur Abdeckung dieses GribStream-Datasets.

Experimentelle Verfügbarkeit für Forschungszwecke: Das Register weist auf mögliche Datenlücken und nicht garantierte Verfügbarkeit hin. Laut öffentlicher README-Datei werden die Daten ohne Gewähr bereitgestellt; außerdem sind frühere Änderungen am Veröffentlichungszeitplan und an der Verzeichnisstruktur dokumentiert. Dieses Evaluations-Dataset ist keine offizielle operative NOAA-Vorhersage. Verwenden Sie es nicht als einzige Abhängigkeit für ausfallsensible Systeme: Überwachen Sie die Aktualität von forecasted_at (Zeitpunkt des Modelllaufs) und halten Sie ein operatives Ersatz-Dataset vor.

Versionskontinuität: Jeder GribStream-Code bleibt an die aktuelle Version des Quellmodells gebunden. Eine wesentlich veränderte neue Version erhält einen eigenen Dataset-Code, anstatt stillschweigend mit diesem Verlauf zusammengeführt zu werden.

Beschreibung

Pangu-Weather ist ein datengetriebenes globales Wettervorhersagemodell. Das AIWP-Projekt startet es aus GFS-Analysen und schafft so ein konsistentes Archiv für gemeinschaftliche Evaluation. Die Pangu-Weather-Historie beginnt bewusst nach dem Trainingszeitraum des Modells und eignet sich damit für Vorhersagen außerhalb der Trainingsstichprobe.

Das ursprüngliche Pangu-Weather-System behandelt Druckflächen als echte dritte räumliche Dimension. Sein erdspezifischer 3D-Transformer lernt Beziehungen zwischen Atmosphärenzuständen in unterschiedlichen Höhen. Die hierarchische zeitliche Aggregation kombiniert Netze für 1-, 3-, 6- und 24-Stunden-Schritte und erreicht mittelfristige Horizonte mit weniger Iterationen.

In der ursprünglichen Pangu-Weather-Veröffentlichung wurde das Modell mit ERA5 von 1979 bis 2017 trainiert und an 2018 getestet. Gegenüber der Reanalyse berichteten die Autoren für alle 69 untersuchten Faktoren geringere Fehler und höhere Anomaliekorrelation und untersuchten die Zugbahnen von 88 benannten tropischen Wirbelstürmen. Diese Ergebnisse nutzten andere Anfangsbedingungen und Evaluierungszeiträume: Sie liefern Modellkontext, aber keine Leistungsgarantie für das aktuelle GFS-initialisierte Archiv.

Die vier bodennahen Felder beschreiben 2-Meter-Temperatur, 10-Meter-Wind und Luftdruck auf mittlerem Meeresspiegel. Fünf Höhenvariablen erfassen Geopotenzial, Temperatur, horizontalen Wind und spezifische Feuchte auf 13 Flächen zwischen 1.000 und 50 hPa. Damit lassen sich großräumige Zirkulation, thermische Struktur, Feuchte und Sturmentwicklung untersuchen. Niederschlag, Wolken, Strahlung und Oberflächenflüsse sind nicht enthalten.

GribStream gibt veröffentlichte Namen, Druckflächen, Werte und Einheiten unverändert aus, damit Ergebnisse zur Quelle zurückverfolgt werden können. Das AIWP-Team bittet um Zitierung des AIWP-Archivartikels. Für operative Entscheidungen sollten diese Daten mit aktuellen maßgeblichen Vorhersagen wie GFS und NOAAs operativen AIGFS-Produkten verglichen werden.

Details

• Archiv seit: 2025-05-27
• Offizielles AIWP-Dataset-Register: https://registry.opendata.aws/aiwp/
• Wichtigste Merkmale:
  • Vollständiges globales Gitter mit 1.440 mal 721 Punkten: 1.038.240 Zellen im Abstand von 0,25 Grad.
  • Läufe um 00 und 12 UTC mit 41 Vorhersagezeiten von 0 bis 240 h in 6-Stunden-Schritten.
  • Neun Variablen und 69 exakte Selektoren: u10, v10, t2, msl sowie z, t, u, v und q auf 13 Druckflächen von 1.000 bis 50 hPa.
  • Pangu-Weather nutzt einen dreidimensionalen erdspezifischen Transformer für Beziehungen zwischen Druckflächen und eine Hierarchie von 1-, 3-, 6- und 24-Stunden-Netzen, um Fehlerfortpflanzung zu begrenzen.
  • Variablennamen, Druckflächen, float32-Werte und veröffentlichte Einheiten bleiben unverändert; das generierte Inventar dokumentiert jeden Selektor.
• Auflösung: Regelmäßiges globales 0,25-Grad-Breiten-Längen-Gitter mit 1.440 Längen- und 721 Breitengraden, geordnet von 90N bis 90S und 0 bis 359,75 Grad Länge.
• Zeitliche Abdeckung: Läufe um 00 und 12 UTC. Jeder Lauf enthält die Vorhersagestunden 0, 6, 12 und danach alle 6 Stunden bis 240, also einen Horizont von 10 Tagen.
• Hauptanwendungen: Kontrollierte Evaluierung von KI-Vorhersagen, Vergleich mit GFS und anderen globalen Modellen, synoptische Analyse, Temperatur- und Windstudien, Feuchtetransport, tropische Wirbelsturmforschung, Verifikation, erneuerbare Energien, Routenplanung und Machine-Learning-Benchmarks.

Verwandte Datasets

• GFS als operative numerische NOAA-Vorhersage und konventionelle Referenz
• AIGFS Surface für operative NOAA-KI-Felder
• AIGFS Pressure für operative NOAA-KI-Druckflächen
• GraphCast GFS als weiteres historisches GFS-initialisiertes KI-Archiv

Parameter