Seis datasets globales de pronóstico con IA de AIWP ya disponibles

GribStream ya permite consultar seis datasets casi en tiempo real del archivo de repronósticos AI Weather Prediction (AIWP): Pangu-Weather, FourCastNet v2-small y GraphCast Operational, cada uno inicializado con análisis GFS e IFS.

Es un conjunto de comparación especialmente valioso. Las tres familias utilizan arquitecturas de aprendizaje diferentes, y las condiciones iniciales emparejadas permiten estudiar cómo evoluciona el mismo modelo desde dos estimaciones independientes del estado atmosférico. Todos los productos comparten la grilla global de 0.25 grados, pasos de 6 horas, ciclos 00 y 12 UTC y un horizonte de 10 días.

Seis datasets y tres familias de modelos

El archivo AIWP es una colaboración de CIRA y NOAA Global Systems Laboratory para la evaluación comunitaria de modelos meteorológicos globales basados en datos. Publica ciclos dos veces al día e inicia cada serie después del período de entrenamiento o ajuste del modelo correspondiente.

La cobertura en GribStream comienza con el ciclo del 30 de septiembre de 2020 a las 12 UTC para FourCastNet GFS, el ciclo del 1 de enero de 2022 a las 00 UTC para FourCastNet IFS y el ciclo del 27 de mayo de 2025 a las 00 UTC para las dos series Pangu-Weather y las dos GraphCast. Esas fechas son el inicio definido de los seis datasets en GribStream; los ciclos anteriores de la fuente quedan fuera de su cobertura.

Qué permiten estudiar los pares GFS e IFS

Un pronóstico con IA parte de un estado atmosférico analizado por un sistema de asimilación. Las ramas GFS e IFS permiten preguntar cómo evoluciona el mismo modelo entrenado cuando su atmósfera inicial procede de otro sistema de análisis.

Las comparaciones con ciclos coincidentes pueden revelar sensibilidad en la posición de ciclones, la presión, la estructura térmica, el viento y la humedad. No constituyen por sí solas una clasificación pura de GFS frente a IFS: difieren las observaciones, la asimilación, la física del modelo y los tiempos. Sigue siendo necesario verificar contra observaciones o un análisis apropiado.

Tres formas distintas de modelar el tiempo global

Pangu-Weather trata los niveles de presión como una tercera dimensión espacial en un transformer 3D específico de la Tierra. Su agregación temporal jerárquica combina redes para avances de 1, 3, 6 y 24 horas. El artículo de Pangu-Weather describe la arquitectura y su evaluación histórica.

FourCastNet v2-small usa un operador neuronal de Fourier esférico. Sus operaciones espectrales globales están formuladas para la esfera y buscan mejorar la estabilidad de pronósticos autorregresivos repetidos. El artículo sobre operadores neuronales de Fourier esféricos explica el método.

GraphCast emplea una red neuronal de grafos sobre una malla multiescala. Codifica el estado de latitud y longitud en la malla, avanza la atmósfera 6 horas y devuelve el resultado a la grilla global. El artículo de GraphCast documenta el modelo.

Los resultados publicados aportan contexto científico; no garantizan la precisión de los ciclos actuales de AIWP. Importan las condiciones iniciales, el período y la referencia de verificación.

Cómo elegir el dataset AIWP

Usa Pangu-Weather para estudiar circulación y transporte de humedad con su estado atmosférico compacto y humedad específica. No incluye precipitación, nubes, radiación ni flujos de superficie.

Usa FourCastNet v2-small cuando necesites humedad relativa, viento a 100 metros, presión de superficie o vapor de agua total en columna. No incluye precipitación ni velocidad vertical.

Usa GraphCast cuando necesites precipitación acumulada en 6 horas o velocidad vertical en niveles de presión. En aiwpgraphcastifs, los dos primeros registros apcp no contienen datos en toda la grilla, por lo que el inventario comienza en la hora 12 para la precipitación y en la hora 6 para los demás campos.

Los seis son pronósticos determinísticos de investigación. Para decisiones operativas, compáralos con observaciones, ensambles y orientación oficial vigente.

Una sola forma de consulta para los seis

La misma estructura de /runs y /timeseries funciona con todos. Este ejemplo selecciona el ciclo Pangu-Weather GFS del 17 de julio a las 12 UTC, hora 120, para Nueva 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"}
  ]
}

Usa el código aiwppangu con este ejemplo. Para cambiar de modelo o de condiciones iniciales, cambia el código y selecciona variables desde el inventario correspondiente; no se fuerza una terminología artificial común.

Atribución y límites de investigación

El registro identifica AIWP como datos abiertos sin restricciones de uso, aunque advierte que puede faltar información y que la disponibilidad no está garantizada. Solicita citar el artículo del archivo AIWP. Son productos de evaluación, no pronósticos operativos oficiales de NOAA o ECMWF.

Trata estas fuentes como flujos experimentales para investigación. El README público indica que los datos se entregan tal cual y documenta regeneraciones anteriores, horarios de publicación aún variables y un cambio en la estructura de directorios. No uses una fuente AIWP como única dependencia de un sistema sensible a interrupciones: supervisa la vigencia de forecasted_at (hora de ejecución del modelo) y mantén un dataset operativo alternativo.

Fuentes autorizadas:

• Registro AIWP: https://registry.opendata.aws/aiwp/
• README público: https://noaa-oar-mlwp-data.s3.amazonaws.com/README.txt
• Artículo del archivo AIWP: 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
• Catálogo de modelos
• Documentación de la API