Seis datasets globais de previsão por IA do AIWP disponíveis

O GribStream agora oferece seis datasets quase em tempo real do arquivo de reprevisões AI Weather Prediction (AIWP): Pangu-Weather, FourCastNet v2-small e GraphCast Operational, cada um inicializado a partir de análises GFS e IFS.

É um conjunto especialmente útil para comparação. As três famílias usam arquiteturas de aprendizado diferentes, enquanto as condições iniciais emparelhadas permitem estudar como o mesmo modelo evolui a partir de duas estimativas independentes da atmosfera. Todos compartilham a grade global de 0,25 grau, passos de 6 horas, ciclos 00 e 12 UTC e horizonte de 10 dias.

Seis datasets e três famílias de modelos

O arquivo AIWP é produzido pela CIRA e pelo NOAA Global Systems Laboratory para avaliação comunitária de modelos meteorológicos globais orientados por dados. Publica dois ciclos diários e inicia cada série após o período de treinamento ou ajuste do modelo correspondente.

A cobertura no GribStream começa no ciclo de 30 de setembro de 2020 às 12 UTC para o FourCastNet GFS, no ciclo de 1º de janeiro de 2022 às 00 UTC para o FourCastNet IFS e no ciclo de 27 de maio de 2025 às 00 UTC para as duas séries Pangu-Weather e as duas GraphCast. Essas datas são o início definido dos seis datasets no GribStream; ciclos anteriores da fonte ficam fora da cobertura.

O que os pares GFS e IFS permitem estudar

Uma previsão por IA parte de um estado atmosférico analisado por um sistema de assimilação. Os ramos GFS e IFS permitem estudar como o mesmo modelo treinado evolui quando sua atmosfera inicial vem de outro sistema de análise.

Comparações de ciclos correspondentes podem revelar sensibilidade na posição de ciclones, pressão, estrutura térmica, vento e umidade. Elas não formam sozinhas uma classificação pura entre GFS e IFS: observações, assimilação, física e horários podem diferir. A verificação contra observações ou uma análise adequada continua necessária.

Três maneiras diferentes de modelar o tempo global

Pangu-Weather trata níveis de pressão como uma terceira dimensão espacial em um transformer 3D específico da Terra. Sua agregação temporal hierárquica combina redes para avanços de 1, 3, 6 e 24 horas. O artigo do Pangu-Weather descreve a arquitetura.

FourCastNet v2-small usa um operador neural de Fourier esférico. Suas operações espectrais globais são formuladas para a esfera e buscam estabilizar previsões autorregressivas repetidas. O artigo sobre operadores neurais de Fourier esféricos explica o método.

GraphCast usa uma rede neural de grafos em uma malha multiescala. Codifica o estado de latitude e longitude na malha, avança a atmosfera em 6 horas e decodifica o resultado na grade global. O artigo do GraphCast documenta o modelo.

Os resultados publicados oferecem contexto científico, mas não garantem a precisão dos ciclos AIWP atuais. Condições iniciais, período e referência de verificação importam.

Como escolher o dataset AIWP

Use Pangu-Weather para estudar circulação e transporte de umidade com seu estado atmosférico compacto e umidade específica. Ele não inclui precipitação, nuvens, radiação nem fluxos de superfície.

Use FourCastNet v2-small quando precisar de umidade relativa, vento a 100 metros, pressão de superfície ou vapor d'água total na coluna. Ele não inclui precipitação nem velocidade vertical.

Use GraphCast quando precisar de precipitação acumulada em 6 horas ou velocidade vertical em níveis de pressão. Em aiwpgraphcastifs, os dois primeiros registros apcp não contêm dados em toda a grade; por isso, o inventário começa na hora 12 para a precipitação e na hora 6 para os demais campos.

Os seis são previsões determinísticas de pesquisa. Para decisões operacionais, compare-os com observações, ensembles e orientações oficiais atuais.

Uma única forma de consulta para os seis

A mesma estrutura de /runs e /timeseries funciona em todos. Este exemplo seleciona o ciclo Pangu-Weather GFS de 17 de julho às 12 UTC, hora 120, para Nova 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"}
  ]
}

Use o código aiwppangu neste exemplo. Para trocar de modelo ou condição inicial, altere o código e escolha os seletores no inventário correspondente; não impomos uma terminologia artificial comum.

Atribuição e limites de pesquisa

O registro identifica AIWP como dados abertos sem restrições de uso, embora avise que dados podem faltar e que a disponibilidade não é garantida. Ele solicita a citação do artigo do arquivo AIWP. São produtos de avaliação, não previsões operacionais oficiais da NOAA ou do ECMWF.

Trate essas fontes como fluxos experimentais de pesquisa. O README público informa que os dados são fornecidos no estado em que se encontram e documenta uma regeneração anterior, horários de publicação ainda variáveis e uma mudança na estrutura de diretórios. Não use um fluxo AIWP como única dependência de um sistema sensível a interrupções: monitore a atualidade de forecasted_at (horário de execução do modelo) e mantenha um dataset operacional alternativo.

Fontes oficiais:

• Registro AIWP: https://registry.opendata.aws/aiwp/
• README público: https://noaa-oar-mlwp-data.s3.amazonaws.com/README.txt
• Artigo do arquivo 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
• Catálogo de modelos
• Documentação da API