Six jeux de données mondiaux de prévision IA AIWP disponibles sur GribStream

GribStream donne désormais accès à six jeux de données quasi temps réel de l'archive de reprévisions AI Weather Prediction (AIWP) : Pangu-Weather, FourCastNet v2-small et GraphCast Operational, chacun initialisé à partir des analyses GFS et IFS.

Cet ensemble est particulièrement utile pour la comparaison. Les trois familles reposent sur des architectures d'apprentissage différentes, tandis que les conditions initiales appariées permettent d'étudier l'évolution d'un même modèle depuis deux estimations indépendantes de l'atmosphère. Tous les produits partagent une grille mondiale à 0,25 degré, un pas de 6 heures, des cycles à 00 et 12 UTC et une échéance de 10 jours.

Six jeux de données et trois familles de modèles

L'archive AIWP est produite par CIRA et le NOAA Global Systems Laboratory pour l'évaluation communautaire des modèles météorologiques mondiaux fondés sur les données. Elle publie deux cycles par jour et commence chaque série après la période d'entraînement ou d'ajustement du modèle concerné.

La couverture GribStream commence au cycle du 30 septembre 2020 à 12 UTC pour FourCastNet GFS, au cycle du 1er janvier 2022 à 00 UTC pour FourCastNet IFS et au cycle du 27 mai 2025 à 00 UTC pour les deux séries Pangu-Weather et les deux séries GraphCast. Ces dates constituent le début défini des six datasets dans GribStream ; les cycles source antérieurs n'entrent pas dans leur couverture.

Ce que permettent d'étudier les paires GFS et IFS

Une prévision par IA part d'un état atmosphérique analysé par un système d'assimilation. Les branches GFS et IFS permettent donc d'étudier comment un même modèle entraîné évolue lorsque son atmosphère initiale provient d'un autre système d'analyse.

Des comparaisons sur les mêmes cycles peuvent révéler une sensibilité de la position des cyclones, de la pression, de la structure thermique, du vent et de l'humidité. Elles ne constituent pas à elles seules un classement pur entre GFS et IFS : observations, assimilation, physique du modèle et horaires peuvent différer. Une vérification face aux observations ou à une analyse adaptée reste nécessaire.

Trois manières de modéliser le temps mondial

Pangu-Weather traite les niveaux de pression comme une troisième dimension spatiale dans un transformer 3D propre à la Terre. Son agrégation temporelle hiérarchique combine des réseaux pour des avancées de 1, 3, 6 et 24 heures. L'article Pangu-Weather décrit l'architecture.

FourCastNet v2-small utilise un opérateur neuronal de Fourier sphérique. Ses opérations spectrales mondiales sont formulées pour la sphère et visent à stabiliser les prévisions autorégressives répétées. L'article sur les opérateurs neuronaux de Fourier sphériques présente la méthode.

GraphCast emploie un réseau neuronal de graphes sur un maillage multi-échelle. Il encode l'état latitude-longitude sur le maillage, fait avancer l'atmosphère de 6 heures puis restitue le résultat sur la grille mondiale. L'article GraphCast documente le modèle.

Les résultats publiés apportent un contexte scientifique, mais ne garantissent pas la précision des cycles AIWP actuels. Conditions initiales, période et référence de vérification comptent.

Choisir le bon jeu de données AIWP

Utilisez Pangu-Weather pour sa représentation atmosphérique compacte avec humidité spécifique. Il ne comprend ni précipitations, ni nuages, ni rayonnement, ni flux de surface.

Choisissez FourCastNet v2-small pour l'humidité relative, le vent à 100 mètres, la pression de surface ou la vapeur d'eau totale intégrée. Il n'inclut ni précipitations ni vitesse verticale.

Choisissez GraphCast pour les précipitations cumulées sur 6 heures ou la vitesse verticale sur niveaux de pression. Dans aiwpgraphcastifs, les deux premiers enregistrements apcp sont manquants sur toute la grille ; l'inventaire commence donc à 12 h pour les précipitations et à 6 h pour les autres champs.

Les six sont des prévisions de recherche déterministes. Pour une décision opérationnelle, comparez-les aux observations, aux ensembles et aux prévisions officielles actuelles.

Une même forme de requête pour les six

La même structure /runs et /timeseries fonctionne partout. Cet exemple sélectionne le cycle Pangu-Weather GFS du 17 juillet à 12 UTC, échéance 120 h, pour 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"}
  ]
}

Utilisez le code aiwppangu pour cet exemple. Pour changer de modèle ou de conditions initiales, changez le code et choisissez les sélecteurs dans l'inventaire correspondant ; aucune terminologie artificielle commune n'est imposée.

Attribution et limites de recherche

Le registre présente AIWP comme des données ouvertes sans restriction d'usage, tout en avertissant que des données peuvent manquer et que leur disponibilité n'est pas garantie. Il demande de citer l'article sur l'archive AIWP. Ces produits servent à l'évaluation ; ce ne sont pas des prévisions opérationnelles officielles de la NOAA ou de l'ECMWF.

Considérez ces sources comme des flux de recherche expérimentaux. Le README public précise que les données sont fournies en l'état et documente une régénération antérieure, un calendrier de publication encore variable et un changement de structure des répertoires. Ne faites pas d'un flux AIWP l'unique dépendance d'un système sensible aux interruptions : surveillez la fraîcheur de forecasted_at (heure du run du modèle) et conservez un dataset opérationnel de secours.

Sources officielles :

• Registre AIWP : https://registry.opendata.aws/aiwp/
• README public : https://noaa-oar-mlwp-data.s3.amazonaws.com/README.txt
• Article sur l'archive 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
• Catalogue des modèles
• Documentation de l'API