Hito histórico: primera versión operativa del sistema de predicción AIFS Single 1.0 basado en IA del ECMWF

En un hito significativo, el ECMWF ha implementado el primer sistema operativo de pronóstico basado en datos, el AIFS (Artificial Intelligence Forecasting System / Sistema de Pronóstico de Inteligencia Artificial), lo que demuestra el compromiso del Centro para lograr los mejores pronósticos meteorológicos posibles con métodos basados tanto en la física como en el aprendizaje automático (AA).

En los últimos años, ha habido una explosión de publicaciones científicas que presentan sistemas de pronóstico basados en AA. La gran mayoría de estos sistemas dependen del conjunto de datos de reanálisis ERA5 del ECMWF y del análisis operativo del Sistema Integrado de Pronóstico (IFS) para el entrenamiento y la inicialización de sus pronósticos.

Han demostrado cómo los modelos de pronóstico de predicción numérica del tiempo (PNT) basados en la física tradicionales se superan en una serie de puntuaciones principales a un costo computacional mucho menor. Ahora, esta tecnología se ha aprovechado para la meteorología operativa con la implementación del AIFS Single. Esta primera versión, AIFS Single 1.0, recibe su nombre para destacar que produce un pronóstico único, que se complementará a finales de este año con un primer sistema de conjunto AIFS. Una vez implementado el AIFS Single, ahora podemos comenzar a comprender su desempeño a nivel de eventos con la retroalimentación de los pronosticadores, ya que funciona operativamente junto con el IFS.

Características básicas

El AIFS Single tiene una estructura de codificador-procesador-decodificador, donde el codificador primero proyecta el estado del modelo en una cuadrícula de menor resolución mediante una red neuronal de grafos (GNN). Posteriormente, el procesador utiliza un transformador para actualizar el estado del modelo seis horas antes de que el decodificador lo reproyecte a la resolución objetivo.

Para más detalles sobre la estructura del modelo, consulte Lang et al., 2024a ( https://arxiv.org/abs/2406.01465 ).

El AIFS Single está ahora completamente construido bajo el marco de código abierto Anemoi desarrollado por ECMWF y sus Estados Miembros (ver Boletín ECMWF No. 181: https://tinyurl.com/bdh5bc5a ). Esto garantiza que el desarrollo, entrenamiento e implementación de estos modelos basados en datos sean reproducibles, trazables y escalables. Puede encontrar más información sobre el marco Anemoi en el conjunto de seminarios web de Anemoi ( https://events.ecmwf.int/event/446/ ). El AIFS Single 1.0 se ha lanzado como modelo en la plataforma de intercambio de modelos de aprendizaje automático Hugging Face, incluyendo una guía sobre cómo usarlo desde el flujo de datos abiertos de ECMWF ( https://huggingface.co/ecmwf/aifs-single-1.0 ).

Nuevas funciones

El AIFS Single ha ampliado el número de variables de pronóstico en comparación con otros sistemas basados en datos. Estas incluyen la radiación solar y la velocidad del viento a 100 m, útiles para la previsión y la tarificación de la energía. Ahora incluimos la nubosidad, las nevadas y otras variables de la superficie terrestre, como la temperatura, la humedad y la escorrentía del suelo.

La consistencia física de estos nuevos parámetros se puede apreciar en la figura, donde el modelo presenta una representación internamente consistente de las nubes para la nubosidad total y la radiación solar en la superficie. Algunas de estas nuevas variables ya pueden explorarse mediante los gráficos del ECMWF ( https://charts.ecmwf.int/?query=aifs-single).

Se ha mejorado la consistencia física del modelo al incluir "límites" como una capa adicional después del decodificador. Limitamos explícitamente la precipitación total, la humedad específica, la escorrentía y la radiación solar a cero. La humedad del suelo y la nubosidad total están limitadas entre cero y uno. Las nevadas, la precipitación convectiva y la nubosidad baja, media y alta se consideran fracciones de la precipitación total y la nubosidad total, respectivamente. Esto ha resultado en un aumento en las puntuaciones de pronóstico de precipitación y en la reducción de problemas previos, donde se observó un exceso de lluvia ligera en el modelo.

Predicción de fenómenos raros y extremos

El AIFS Single ya está mostrando un sólido rendimiento mientras se ejecuta operacionalmente, incluyendo el pronóstico de eventos raros que no tienen analogías claras en los datos de entrenamiento del modelo.

Esto se puede ver claramente en el evento de nieve extrema sobre la Costa del Golfo de América el 21 de enero de 2025 (ver la segunda figura). Esto tuvo un período de retorno de aproximadamente 100 años, es decir, tales eventos son muy raros o no aparecen en absoluto en el reanálisis de ERA5 o el archivo operativo.

Este tipo de eventos brindan confianza de que el modelo no solo está reproduciendo sus datos de entrenamiento, sino que también ha aprendido una representación de la física atmosférica. La capacidad de un AIFS anterior para capturar extremos también es señalada por Ben Bouallègue et al., 2024 ( https://doi.org/10.1175/BAMS-D-23-0162.1 ).

Perspectivas

Ya se están desarrollando nuevos sistemas para el AIFS. Se prevé que una versión de conjunto del AIFS, entrenada mediante una Puntuación de Probabilidad Continua por Rango (Lang et al., 2024b: https://arxiv.org/abs/2412.15832 ), que podría entrar operativamente en el verano de 2025.

También se está trabajando para perfeccionar el AIFS Single de ~28 km hacia la resolución operativa del IFS de ~9 km, aprovechando al máximo los datos operativos, que actualmente solo utiliza el AIFS con una resolución de ~28 km.

En el marco de la iniciativa Destino Tierra de la UE y el programa Copernicus, al que contribuye el CEPMPM, se están entrenando activamente más componentes del sistema terrestre mediante métodos de aprendizaje automático (ML), como las olas, el océano, el hielo marino, la composición atmosférica y la hidrología.

Fuente Newsletter de Primavera 2025 del ECMWF.