Reprévision AIWP Pangu-Weather GFS

Code GribStream: aiwppangu

Source officielle : L'archive AI Weather Prediction est une collaboration entre CIRA et le NOAA Global Systems Laboratory pour évaluer les modèles météorologiques mondiaux fondés sur les données. Cette page couvre Pangu-Weather initialisé par les analyses NOAA GFS.

Couverture GribStream actuelle : aiwppangu commence au cycle du 27 mai 2025 à 00 UTC et s'enrichit avec les prévisions publiées deux fois par jour. L'archive source contient des cycles antérieurs depuis octobre 2020, mais ceux qui précèdent le 27 mai 2025 ne font pas partie de la couverture de ce dataset dans GribStream.

Disponibilité expérimentale pour la recherche : Le registre avertit que des données peuvent manquer et que leur disponibilité n'est pas garantie ; le README public précise que les données sont fournies en l'état et documente des changements antérieurs du calendrier de publication et de la structure des répertoires. Ce dataset d'évaluation n'est pas une prévision opérationnelle officielle de la NOAA. N'en faites pas 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.

Continuité des versions : Chaque code GribStream reste lié à la version actuelle du modèle source. Une nouvelle version sensiblement différente recevra un code de dataset distinct au lieu d'être silencieusement rattachée à cet historique.

Description

Pangu-Weather est un modèle mondial de prévision météorologique fondé sur les données. Le projet AIWP l'exécute à partir d'analyses GFS afin de créer une archive cohérente pour l'évaluation communautaire. Son historique commence volontairement après la période d'entraînement du modèle, ce qui aide à étudier des prévisions hors échantillon.

Le système Pangu-Weather original représente les niveaux de pression comme une véritable troisième dimension spatiale. Son transformer 3D propre à la Terre apprend les relations entre états atmosphériques à différentes hauteurs, tandis que l'agrégation temporelle hiérarchique combine des réseaux entraînés pour des avancées de 1, 3, 6 et 24 heures afin d'atteindre le moyen terme en moins d'itérations.

Dans l'article original de Pangu-Weather, le modèle a été entraîné sur ERA5 de 1979 à 2017 et testé sur 2018. Face à la réanalyse, les auteurs ont rapporté une erreur plus faible et une meilleure corrélation des anomalies pour les 69 facteurs évalués, et étudié les trajectoires de 88 cyclones tropicaux nommés. Ces résultats reposaient sur d'autres conditions initiales et périodes d'évaluation : ils éclairent le modèle sans garantir les performances de l'archive actuelle initialisée par GFS.

Les quatre champs proches de la surface décrivent la température à 2 mètres, le vent à 10 mètres et la pression au niveau moyen de la mer. Cinq variables d'altitude décrivent géopotentiel, température, vent horizontal et humidité spécifique sur 13 niveaux de 1 000 à 50 hPa. Elles servent à analyser circulation de grande échelle, structure thermique, humidité et évolution des tempêtes. Ce produit n'inclut ni précipitations, ni nuages, ni rayonnement, ni flux de surface.

GribStream expose sans modification les noms, niveaux, valeurs et unités publiés afin de préserver la traçabilité. L'équipe AIWP demande de citer l'article sur l'archive AIWP. Pour les décisions opérationnelles, comparez ces données avec des références actuelles telles que GFS et les produits opérationnels AIGFS de la NOAA.

Détails

• Archive depuis: 2025-05-27
• Registre officiel du jeu de données AIWP: https://registry.opendata.aws/aiwp/
• Caractéristiques principales:
  • Grille mondiale complète de 1 440 par 721 : 1 038 240 cellules espacées de 0,25 degré.
  • Cycles 00 et 12 UTC avec 41 échéances de 0 à 240 h, par pas de 6 h.
  • Neuf variables et 69 sélecteurs exacts : u10, v10, t2, msl, plus z, t, u, v et q sur 13 niveaux de pression de 1 000 à 50 hPa.
  • Pangu-Weather utilise un transformer tridimensionnel propre à la Terre pour modéliser les relations entre niveaux de pression, avec une hiérarchie de réseaux à 1, 3, 6 et 24 heures afin de limiter l'accumulation d'erreurs.
  • Les noms, niveaux de pression, valeurs float32 et unités publiées restent inchangés ; l'inventaire généré documente chaque sélecteur.
• Résolution: Grille mondiale régulière latitude-longitude à 0,25 degré, 1 440 longitudes par 721 latitudes, ordonnée de 90N à 90S et de 0 à 359,75 degrés de longitude.
• Couverture temporelle: Cycles à 00 et 12 UTC. Chaque cycle contient les échéances 0, 6, 12, puis toutes les 6 heures jusqu'à 240 h, soit un horizon de 10 jours.
• Usages principaux: Évaluation contrôlée des prévisions par IA, comparaison avec GFS et d'autres modèles mondiaux, analyse synoptique, études de température et de vent, transport d'humidité, recherche sur les cyclones tropicaux, vérification, énergies renouvelables, planification d'itinéraires et benchmarks d'apprentissage automatique.

Datasets liés

• GFS comme référence numérique opérationnelle de la NOAA
• AIGFS Surface pour les champs IA opérationnels de la NOAA
• AIGFS Pressure pour les champs IA opérationnels sur niveaux de pression
• GraphCast GFS comme autre archive historique IA initialisée par GFS

Paramètres