Blog GribStream
Le previsioni NOAA AIGFS di superficie e pressione sono ora su GribStream
GribStream ora rende disponibili via API le previsioni GRIB2 NOAA/NCEP AIGFS di superficie e livelli di pressione, con campi globali a 0.25 gradi fino a 384 ore.
GribStream ora supporta la previsione deterministica operativa dell'Artificial Intelligence Global Forecast System di NOAA/NCEP come due dataset API:
- AIGFS Surface, codice
aigfssfc - AIGFS Pressure, codice
aigfspres
Questo significa che AIGFS può essere interrogato con gli stessi workflow /timeseries, /runs, puntuali e su griglia già usati per GFS, GEFS, IFS e GraphCast GFS.
Cos'è AIGFS
NOAA ha reso operativo AIGFS v1.0 il 17 dicembre 2025 nel ciclo 12Z, insieme ad AIGEFS e HGEFS. Il modello deterministico AIGFS è basato sul modello GraphCast di Google DeepMind ed è stato sviluppato da NCEP con i laboratori di ricerca NOAA ed EPIC.
Il dettaglio operativo importante è che non si tratta solo di un prodotto di mappe di ricerca. È un flusso operativo globale NOAA/NCEP pubblicato su NOMADS, con quattro cicli al giorno e passi previsionali fino a 384 ore.
Cosa è disponibile
Il dataset aigfssfc contiene il flusso compatto dei campi vicino alla superficie:
UGRDeVGRDa 10 m sopra il suoloTMPa 2 m sopra il suoloPRMSLal livello medio del mareAPCPprecipitazione accumulata alla superficie
Il dataset aigfspres contiene il flusso su livelli di pressione in libera atmosfera:
HGTaltezza geopotenzialeTMPtemperaturaSPFHumidità specificaUGRDeVGRDcomponenti del ventoVVELvelocità verticale in coordinate di pressione
I campi su livelli di pressione sono disponibili su 13 livelli standard: 50, 100, 150, 200, 250, 300, 400, 500, 600, 700, 850, 925 e 1000 mb.
Entrambi i dataset sono globali, su una griglia latitudine-longitudine a 0.25 gradi, con cicli 00, 06, 12 e 18 UTC e passi previsionali ogni 6 ore fino all'ora 384.
Perché conta
AIGFS offre agli utenti un'altra previsione deterministica globale operativa da confrontare con i modelli basati sulla fisica. Nei workflow pratici, è utile quando vuoi rispondere a domande come:
- La previsione IA concorda con GFS sulla configurazione sinottica?
- AIGFS si aggiorna abbastanza rapidamente per una dashboard che usa solo pochi campi di superficie?
- Quanto differiscono venti o temperature AIGFS su livelli di pressione rispetto a GFS, IFS o GraphCast GFS allo stesso orario di validità ?
- Un modello IA operativo può fornire un segnale aggiuntivo utile per il supporto alle decisioni a medio termine?
Poiché GribStream espone AIGFS con la stessa forma API esistente, questi confronti non richiedono un'integrazione NOMADS separata nel codice client. Puoi richiedere AIGFS, GFS, GEFS, IFS e GraphCast GFS con lo stesso schema JSON, sia per richieste puntuali sia per richieste su griglia.
Un workflow pratico di confronto
Il modo utile per valutare AIGFS è metterlo fianco a fianco con le famiglie di modelli su cui previsori e sistemi previsionali già si affidano. Per esempio, puoi richiedere TMP e vento a 10 m da aigfssfc e confrontare le stesse coordinate e orari di validità con GFS. Per controlli della configurazione in libera atmosfera, confronta HGT, TMP, UGRD e VGRD da aigfspres con GFS, IFS o GraphCast GFS.
Questo fornisce uno schema API concreto per previsioni AIGFS: usa il prodotto di superficie per campi per dashboard e previsioni puntuali orientate al cliente, usa il prodotto di pressione per contesto sinottico e mantieni la stessa struttura di richiesta quando passi tra modelli globali IA e basati sulla fisica.
Inizia qui
Fonti
- 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 prodotti NCEP AIGFS: https://www.nco.ncep.noaa.gov/pmb/products/aigfs/
- Percorso dati operativi 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
