Repronóstico AIWP Pangu-Weather GFS

Código GribStream: aiwppangu

Fuente oficial: El archivo AI Weather Prediction es una colaboración entre CIRA y NOAA Global Systems Laboratory para evaluar modelos meteorológicos globales basados en datos. Esta página cubre Pangu-Weather inicializado con análisis NOAA GFS.

Cobertura actual en GribStream: aiwppangu comienza con el ciclo del 27 de mayo de 2025 a las 00 UTC y crece con los pronósticos publicados dos veces al día. El archivo original contiene ciclos anteriores desde octubre de 2020, pero los ciclos previos al 27 de mayo de 2025 quedan fuera de la cobertura de este dataset en GribStream.

Disponibilidad experimental para investigación: El registro advierte que puede faltar información y que la disponibilidad no está garantizada; el README público indica que los datos se entregan tal cual y documenta cambios previos en los horarios de publicación y la estructura de directorios. Este dataset de evaluación no es un pronóstico operativo oficial de NOAA. No lo uses como única dependencia de sistemas sensibles a interrupciones: supervisa la vigencia de forecasted_at (hora de ejecución del modelo) y mantén un dataset operativo alternativo.

Continuidad de versiones: Cada código de GribStream queda vinculado a la versión actual del modelo fuente. Una versión nueva y sustancialmente diferente recibirá otro código de dataset en lugar de unirse silenciosamente a este historial.

Descripción

Pangu-Weather es un modelo global de predicción meteorológica basado en datos. El proyecto AIWP lo ejecuta desde análisis GFS para crear un archivo consistente de evaluación comunitaria. Su historial comienza deliberadamente después del período de entrenamiento del modelo, lo que permite estudiar pronósticos fuera de muestra.

El sistema Pangu-Weather original representa los niveles de presión como una verdadera tercera dimensión espacial. Su transformer 3D específico de la Tierra aprende relaciones entre estados atmosféricos a distintas alturas, mientras que la agregación temporal jerárquica combina redes entrenadas para avances de 1, 3, 6 y 24 horas y alcanza el medio plazo con menos iteraciones.

En el artículo original de Pangu-Weather, el modelo se entrenó con ERA5 de 1979 a 2017 y se probó con 2018. Frente al reanálisis, los autores informaron menor error y mayor correlación de anomalías para los 69 factores evaluados, y estudiaron las trayectorias de 88 ciclones tropicales con nombre. Esos resultados usaron otras condiciones iniciales y períodos de evaluación: describen el modelo, pero no garantizan el rendimiento de este archivo actual inicializado con GFS.

Los cuatro campos cercanos a superficie describen temperatura a 2 metros, viento a 10 metros y presión al nivel medio del mar. Cinco variables en altura describen geopotencial, temperatura, viento horizontal y humedad específica en 13 niveles entre 1.000 y 50 hPa. Permiten analizar circulación de gran escala, estructura térmica, humedad y evolución de tormentas. Este producto no incluye precipitación, nubes, radiación ni flujos de superficie.

GribStream expone sin cambios los nombres, niveles, valores y unidades publicados para mantener la trazabilidad. El equipo AIWP solicita citar el artículo del archivo AIWP. Para decisiones operativas, compáralo con orientación oficial vigente como GFS y los productos operativos AIGFS de NOAA.

Detalle

• Archivo desde: 2025-05-27
• Registro oficial del dataset AIWP: https://registry.opendata.aws/aiwp/
• Características principales:
  • Grilla global completa de 1.440 por 721: 1.038.240 celdas a 0,25 grados.
  • Ciclos 00 y 12 UTC, con 41 tiempos de pronóstico desde 0 hasta 240 horas a intervalos de 6 horas.
  • Nueve variables y 69 selectores exactos: u10, v10, t2, msl y z, t, u, v, q en 13 niveles de presión entre 1.000 y 50 hPa.
  • Pangu-Weather usa un transformer tridimensional específico de la Tierra para modelar relaciones entre niveles de presión y una jerarquía de redes de 1, 3, 6 y 24 horas para limitar la acumulación de errores.
  • Los nombres, niveles de presión, valores float32 y unidades publicadas permanecen sin cambios; el inventario generado documenta cada selector.
• Resolución: Grilla global regular de latitud y longitud de 0,25 grados, con 1.440 longitudes por 721 latitudes, ordenada de 90N a 90S y de 0 a 359,75 grados de longitud.
• Cobertura temporal: Ciclos a las 00 y 12 UTC. Cada ciclo contiene las horas de pronóstico 0, 6, 12 y luego cada 6 horas hasta 240, para un horizonte de 10 días.
• Usos principales: Evaluación controlada de pronósticos con IA, comparación con GFS y otros modelos globales, análisis sinóptico, estudios de temperatura y viento, transporte de humedad, investigación de ciclones tropicales, verificación, energía renovable, planificación de rutas y benchmarks de machine learning.

Datasets relacionados

• GFS como guía numérica operativa de NOAA y referencia convencional
• AIGFS Surface para campos operativos de IA de NOAA
• AIGFS Pressure para campos operativos de IA en niveles de presión
• GraphCast GFS como otro archivo histórico de IA inicializado con GFS

Parámetros