Reprevisão AIWP Pangu-Weather GFS

Código GribStream: aiwppangu

Fonte oficial: O arquivo AI Weather Prediction é uma colaboração entre a CIRA e o NOAA Global Systems Laboratory para avaliar modelos meteorológicos globais orientados por dados. Esta página cobre o Pangu-Weather inicializado com análises do NOAA GFS.

Cobertura atual no GribStream: aiwppangu começa no ciclo de 27 de maio de 2025 às 00 UTC e cresce com as previsões publicadas duas vezes ao dia. O arquivo original contém ciclos anteriores desde outubro de 2020, mas os ciclos anteriores a 27 de maio de 2025 ficam fora da cobertura deste dataset no GribStream.

Disponibilidade experimental para pesquisa: O registro alerta que dados podem faltar e que a disponibilidade não é garantida; o README público informa que os dados são fornecidos no estado em que se encontram e documenta mudanças anteriores no horário de publicação e na estrutura de diretórios. Este dataset de avaliação não é uma previsão operacional oficial da NOAA. Não o use como única dependência de sistemas sensíveis a interrupções: monitore a atualidade de forecasted_at (horário de execução do modelo) e mantenha um dataset operacional alternativo.

Continuidade de versões: Cada código do GribStream permanece vinculado à versão atual do modelo de origem. Uma nova versão substancialmente diferente receberá outro código de dataset, em vez de ser incorporada silenciosamente a este histórico.

Descrição

Pangu-Weather é um modelo global de previsão meteorológica orientado por dados. O projeto AIWP o executa a partir de análises GFS para criar um arquivo consistente de avaliação comunitária. Seu histórico começa deliberadamente depois do período de treinamento do modelo, ajudando a estudar previsões fora da amostra.

O sistema Pangu-Weather original representa os níveis de pressão como uma verdadeira terceira dimensão espacial. Seu transformer 3D específico da Terra aprende relações entre estados atmosféricos em diferentes altitudes, enquanto a agregação temporal hierárquica combina redes treinadas para avanços de 1, 3, 6 e 24 horas e alcança o médio prazo com menos iterações.

No artigo original do Pangu-Weather, o modelo foi treinado com ERA5 de 1979 a 2017 e testado em 2018. Em relação à reanálise, os autores relataram menor erro e maior correlação de anomalias nos 69 fatores avaliados e estudaram trajetórias de 88 ciclones tropicais nomeados. Esses resultados usaram outras condições iniciais e períodos de avaliação: contextualizam o modelo, mas não garantem o desempenho deste arquivo atual inicializado pelo GFS.

Os quatro campos próximos da superfície descrevem temperatura a 2 metros, vento a 10 metros e pressão ao nível médio do mar. Cinco variáveis em altitude descrevem geopotencial, temperatura, vento horizontal e umidade específica em 13 níveis de 1.000 a 50 hPa. Elas apoiam a análise da circulação de grande escala, estrutura térmica, umidade e evolução de tempestades. Este produto não inclui precipitação, nuvens, radiação nem fluxos de superfície.

O GribStream expõe sem alterações os nomes, níveis, valores e unidades publicados, preservando a rastreabilidade. A equipe AIWP solicita a citação do artigo do arquivo AIWP. Para decisões operacionais, compare estes dados com referências atuais como o GFS e os produtos operacionais AIGFS da NOAA.

Detalhes

• Arquivo desde: 2025-05-27
• Registro oficial do dataset AIWP: https://registry.opendata.aws/aiwp/
• Principais características:
  • Grade global completa de 1.440 por 721: 1.038.240 células com espaçamento de 0,25 grau.
  • Ciclos 00 e 12 UTC com 41 tempos de previsão de 0 a 240 h em intervalos de 6 h.
  • Nove variáveis e 69 seletores exatos: u10, v10, t2, msl, além de z, t, u, v e q em 13 níveis de pressão de 1.000 a 50 hPa.
  • O Pangu-Weather usa um transformer tridimensional específico da Terra para modelar relações entre níveis de pressão e uma hierarquia de redes de 1, 3, 6 e 24 horas para limitar a acumulação de erros.
  • Nomes, níveis de pressão, valores float32 e unidades publicadas permanecem inalterados; o inventário gerado documenta cada seletor.
• Resolução: Grade global regular de latitude e longitude de 0,25 grau, com 1.440 longitudes por 721 latitudes, ordenada de 90N a 90S e de 0 a 359,75 graus de longitude.
• Cobertura temporal: Ciclos às 00 e 12 UTC. Cada ciclo contém as horas de previsão 0, 6, 12 e depois a cada 6 horas até 240, totalizando um horizonte de 10 dias.
• Principais usos: Avaliação controlada de previsões por IA, comparação com GFS e outros modelos globais, análise sinótica, estudos de temperatura e vento, transporte de umidade, pesquisa de ciclones tropicais, verificação, energia renovável, planejamento de rotas e benchmarks de Machine Learning.

Datasets relacionados

• GFS como previsão numérica operacional da NOAA e referência convencional
• AIGFS Surface para campos operacionais de IA da NOAA
• AIGFS Pressure para campos operacionais de IA em níveis de pressão
• GraphCast GFS como outro arquivo histórico de IA inicializado pelo GFS

Parâmetros