Sei dataset globali di previsione IA AIWP disponibili su GribStream

GribStream offre ora sei dataset quasi in tempo reale dell'archivio di retroprevisioni AI Weather Prediction (AIWP): Pangu-Weather, FourCastNet v2-small e GraphCast Operational, ciascuno inizializzato con analisi GFS e IFS.

È un insieme particolarmente utile per il confronto. Le tre famiglie impiegano architetture di apprendimento diverse, mentre le condizioni iniziali accoppiate permettono di studiare come lo stesso modello evolve da due stime indipendenti dell'atmosfera. Tutti i prodotti condividono la griglia globale da 0,25 gradi, passi di 6 ore, cicli 00 e 12 UTC e un orizzonte di 10 giorni.

Sei dataset e tre famiglie di modelli

L'archivio AIWP è prodotto da CIRA e NOAA Global Systems Laboratory per la valutazione comunitaria di modelli meteorologici globali basati sui dati. Pubblica due cicli al giorno e avvia ogni serie dopo il periodo di addestramento o messa a punto del modello corrispondente.

La copertura in GribStream inizia dal ciclo del 30 settembre 2020 alle 12 UTC per FourCastNet GFS, dal ciclo del 1° gennaio 2022 alle 00 UTC per FourCastNet IFS e dal ciclo del 27 maggio 2025 alle 00 UTC per entrambe le serie Pangu-Weather e GraphCast. Queste date sono l'inizio definito dei sei dataset in GribStream; i cicli precedenti della fonte non rientrano nella loro copertura.

Cosa permettono di studiare le coppie GFS e IFS

Una previsione IA parte da uno stato atmosferico analizzato da un sistema di assimilazione. I rami GFS e IFS permettono quindi di studiare come lo stesso modello addestrato evolve quando l'atmosfera iniziale proviene da un altro sistema di analisi.

Confronti sugli stessi cicli possono rivelare sensibilità nella posizione dei cicloni, nella pressione, nella struttura termica, nel vento e nell'umidità. Non costituiscono da soli una classifica pura tra GFS e IFS: osservazioni, assimilazione, fisica e tempistiche possono differire. Resta necessaria la verifica con osservazioni o un'analisi adeguata.

Tre modi diversi di modellare il tempo globale

Pangu-Weather tratta i livelli di pressione come una terza dimensione spaziale in un transformer 3D specifico per la Terra. L'aggregazione temporale gerarchica combina reti per avanzamenti di 1, 3, 6 e 24 ore. L'articolo Pangu-Weather descrive l'architettura.

FourCastNet v2-small usa un operatore neurale di Fourier sferico. Le sue operazioni spettrali globali sono formulate per la sfera e mirano a stabilizzare le previsioni autoregressive ripetute. L'articolo sugli operatori neurali di Fourier sferici spiega il metodo.

GraphCast usa una rete neurale a grafo su una mesh multiscala. Codifica lo stato latitudine-longitudine sulla mesh, fa avanzare l'atmosfera di 6 ore e decodifica il risultato sulla griglia globale. L'articolo GraphCast documenta il modello.

I risultati pubblicati forniscono contesto scientifico, ma non garantiscono l'accuratezza dei cicli AIWP attuali. Contano condizioni iniziali, periodo e riferimento di verifica.

Scegliere il dataset AIWP adatto

Pangu-Weather è indicato per circolazione e trasporto di umidità grazie al suo stato atmosferico compatto con umidità specifica. Non include precipitazioni, nubi, radiazione o flussi superficiali.

FourCastNet v2-small è utile quando servono umidità relativa, vento a 100 metri, pressione superficiale o vapore acqueo totale in colonna. Non include precipitazioni né velocità verticale.

GraphCast offre precipitazione accumulata su 6 ore e velocità verticale sui livelli di pressione. In aiwpgraphcastifs, i primi due campi apcp sono privi di dati su tutta la griglia; l'inventario inizia quindi dall'ora 12 per la precipitazione e dall'ora 6 per gli altri campi.

Tutti e sei sono previsioni deterministiche di ricerca. Per decisioni operative, confrontali con osservazioni, ensemble e indicazioni operative ufficiali aggiornate.

Una sola forma di richiesta per tutti e sei

La stessa struttura /runs e /timeseries funziona ovunque. L'esempio seleziona il ciclo Pangu-Weather GFS del 17 luglio alle 12 UTC, ora 120, per 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"}
  ]
}

Usa il codice aiwppangu con questo esempio. Per cambiare modello o condizioni iniziali, modifica il codice e scegli i selettori dall'inventario corrispondente; non viene imposta una terminologia comune artificiale.

Attribuzione e limiti della ricerca

Il registro definisce AIWP come dati aperti senza restrizioni d'uso, ma avverte che alcuni dati possono mancare e che la disponibilità non è garantita. Chiede di citare l'articolo sull'archivio AIWP. Questi prodotti servono alla valutazione e non sono previsioni operative ufficiali di NOAA o ECMWF.

Considera queste fonti flussi sperimentali per la ricerca. Il README pubblico precisa che i dati sono forniti così come sono e documenta una precedente rigenerazione, orari di pubblicazione ancora variabili e una modifica della struttura delle directory. Non usare un flusso AIWP come unica dipendenza per un sistema sensibile alle interruzioni: controlla l'aggiornamento di forecasted_at (orario del run del modello) e mantieni un dataset operativo alternativo.

Fonti ufficiali:

• Registro AIWP: https://registry.opendata.aws/aiwp/
• README pubblico: https://noaa-oar-mlwp-data.s3.amazonaws.com/README.txt
• Articolo sull'archivio 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
• Catalogo dei modelli
• Documentazione API