Blog de GribStream
Los pronósticos NOAA AIGFS de superficie y presión ya están en GribStream
GribStream ahora entrega pronósticos GRIB2 de superficie y niveles de presión de NOAA/NCEP AIGFS a través de la API, con campos globales de 0,25 grados hasta 384 horas.
GribStream ahora soporta el pronóstico determinístico operativo Artificial Intelligence Global Forecast System de NOAA/NCEP mediante dos datasets de API:
- AIGFS Surface, código
aigfssfc - AIGFS Pressure, código
aigfspres
Eso significa que AIGFS se puede consultar con los mismos workflows de /timeseries, /runs, puntos y grillas que ya se usan con GFS, GEFS, IFS y GraphCast GFS.
Qué es AIGFS
NOAA puso AIGFS v1.0 en operación el 17 de diciembre de 2025 en el ciclo 12Z, junto con AIGEFS y HGEFS. El modelo determinístico AIGFS está basado en el modelo GraphCast de Google DeepMind y fue desarrollado por NCEP con laboratorios de investigación de NOAA y EPIC.
El detalle operativo importante es que esto no es solo un producto de gráficos de investigación. Es un flujo operativo global de NOAA/NCEP publicado en NOMADS, con cuatro ciclos por día y pasos de pronóstico hasta 384 horas.
Qué está disponible
El dataset aigfssfc es el flujo compacto cercano a la superficie:
UGRDyVGRDa 10 m sobre el sueloTMPa 2 m sobre el sueloPRMSLa nivel medio del marAPCPprecipitación acumulada en la superficie
El dataset aigfspres contiene el flujo de niveles de presión en atmósfera libre:
HGTaltura geopotencialTMPtemperaturaSPFHhumedad específicaUGRDyVGRDcomponentes del vientoVVELvelocidad vertical de presión
Los campos de niveles de presión están disponibles en 13 niveles estándar: 50, 100, 150, 200, 250, 300, 400, 500, 600, 700, 850, 925 y 1000 mb.
Ambos datasets son globales, en una grilla latitud-longitud de 0,25 grados, con ciclos 00, 06, 12 y 18 UTC y pasos de pronóstico de 6 horas hasta la hora 384.
Por qué importa
AIGFS ofrece a los usuarios otro pronóstico determinístico global operativo para comparar contra guía basada en física. Para workflows prácticos, es útil cuando quieres hacer preguntas como:
- ¿El pronóstico de IA coincide con GFS en el patrón sinóptico?
- ¿AIGFS se actualiza más rápido para una vista de panel que solo necesita algunos campos de superficie?
- ¿Cuánto difieren los vientos o temperaturas de niveles de presión de AIGFS respecto de GFS, IFS o GraphCast GFS en el mismo tiempo válido?
- ¿Puede un modelo operativo de IA aportar una señal adicional útil para soporte de decisiones a mediano plazo?
Como GribStream expone AIGFS con la misma forma de API existente, esas comparaciones no requieren un scraper NOMADS separado en el código cliente. Puedes solicitar AIGFS, GFS, GEFS, IFS y GraphCast GFS con el mismo patrón JSON y los mismos workflows de coordenadas o grillas.
Un workflow práctico de comparación
La forma útil de evaluar AIGFS es lado a lado con las familias de modelos en las que ya confían los pronosticadores y los sistemas de pronóstico. Por ejemplo, puedes solicitar TMP y viento a 10 m desde aigfssfc y comparar las mismas coordenadas y tiempos válidos contra GFS. Para revisiones de patrones en atmósfera libre, compara HGT, TMP, UGRD y VGRD de aigfspres contra GFS, IFS o GraphCast GFS.
Eso da un workflow concreto de API para pronósticos AIGFS: usa el producto de superficie para campos de panel y pronósticos puntuales orientados al cliente, usa el producto de presión para contexto sinóptico y conserva la misma estructura de solicitud al cambiar entre modelos globales de IA y modelos basados en física.
Empieza aquí
Fuentes
- NWS Service Change Notice 25-89, "Implementation of the Artificial Intelligence Global Forecast System (AIGFS), Artificial Intelligence Global Ensemble Forecast System (AIGEFS), and the Hybrid Global Ensemble Forecast System (HGEFS)": https://www.weather.gov/media/notification/pdf_2025/scn25-89_AIGFS_AIGEFS_and_HGEFS.pdf
- Inventario de productos NCEP AIGFS: https://www.nco.ncep.noaa.gov/pmb/products/aigfs/
- Ruta de datos operativos NOAA NOMADS AIGFS: https://nomads.ncep.noaa.gov/pub/data/nccf/com/aigfs/prod/
- NOAA/NCEP Office Note 521: https://doi.org/10.25923/xd3y-wy31
