ECMWF AIFS

Von der Physik zum Lernen

Siebzig Jahre lang hieß Wettervorhersage, die Gleichungen der Strömungsphysik auf einem Supercomputer zu lösen. 2022 erschütterten drei Preprints von außerhalb der Wetterdienste diese Vorstellung: FourCastNet von NVIDIA im Februar, Pangu-Weather von Huawei im November und GraphCast von Google DeepMind im Dezember. Alle drei waren neuronale Netze, trainiert auf ERA5, der eigenen Reanalyse des vergangenen Wetters des ECMWF, und alle drei beanspruchten, bei vielen Gütemaßen mit dem IFS, dem physikbasierten Modell des ECMWF, mitzuhalten, für einen winzigen Bruchteil seiner Rechenkosten.

Das ECMWF reagierte, indem es diese externen Modelle in Echtzeit aus seinen eigenen Analysen rechnete und ein eigenes baute: das Artificial Intelligence Forecasting System, AIFS. Eine erste Version lief ab Oktober 2023 experimentell mit etwa 1°; im Februar 2024 ging sie auf etwa 0,25° und auf die Transformer-Architektur über, die sie bis heute nutzt. Sie baut auf Anemoi auf, einem Open-Source-Framework, das das ECMWF und mehrere europäische nationale Wetterdienste 2024 ins Leben riefen, um solche Modelle mit ihren eigenen Daten zu trainieren.

AIFS Single v1, die deterministische Version (eine Vorhersage pro Lauf), wurde am 25. Februar 2025 operationell und läuft neben dem IFS, statt es zu ersetzen. Das ECMWF meldete bei einigen Maßen Verbesserungen von bis zu 20 % gegenüber physikbasierten Modellen, darunter bei den Zugbahnen tropischer Wirbelstürme, bei etwa 1.000-mal weniger Energie pro Vorhersage. Version 1.1 folgte am 27. August 2025, vor allem um falsche Regenflecken zu beseitigen, die von einem unphysikalischen Zusammenhang zwischen Bodenfeuchte und Niederschlag herrührten, den das Netz gelernt hatte. Eine Ensembleversion, AIFS ENS, wurde am 1. Juli 2025 operationell.

AIFS Single v2 ging am 12. Mai 2026 in Betrieb, zusammen mit Zyklus 50r1 des IFS. Seine Architektur ist unverändert, doch es wurde mit zwei weiteren Jahren jüngerer Analysen nachtrainiert, erhielt eine 10-hPa-Schicht in der Stratosphäre und sagt, zum ersten Mal beim ECMWF, Seegang und Schneebedeckung mit einem Netz statt mit einem physikalischen Modell vorher. Am selben Tag stellte das ECMWF den Betrieb der externen experimentellen Modelle ein, da sein eigenes AIFS ihren Platz eingenommen hatte.

Ein Netz, das die Atmosphäre gelernt hat

Das AIFS löst keine Gleichung. Es hat aus Jahrzehnten vergangener Zustände der Atmosphäre gelernt, wie ein Zustand sechs Stunden später in den nächsten übergeht. Aus dem Zustand von jetzt und dem von vor sechs Stunden sagt es den Zustand in sechs Stunden voraus; dann speist es seine eigene Vorhersage wieder ein und wiederholt das, Schritt für Schritt, bis 15 Tage. Diese Verkettung heißt Autoregression, und jeder früh gemachte Fehler wird in die folgenden Schritte weitergetragen.

Das Netz hat drei Teile. Ein Encoder, ein graphenbasiertes neuronales Netz mit Attention (einem Mechanismus, mit dem jeder Punkt gewichtet, was ihm seine Nachbarn mitteilen), sammelt die 542.080 Punkte des N320-Gitters, etwa 31 km voneinander entfernt, auf einem gröberen verborgenen Gitter von etwa 40.000 Punkten. Ein Prozessor, ein Transformer, dessen Attention auf gleitenden Fenstern dieses verborgenen Gitters arbeitet, führt die Atmosphäre sechs Stunden weiter; die veröffentlichte Beschreibung gibt ihm 16 Schichten. Ein Decoder, ein weiteres Graphennetz, bringt das Ergebnis zurück auf das 31-km-Gitter.

Was hinein- und herausgeht, ist ein kompaktes Bild der Atmosphäre: Geopotenzial, Temperatur, Wind und Feuchte auf 14 Druckflächen von 1000 bis 10 hPa, dazu Bodenfelder wie der Wind in 10 m Höhe, die 2-m-Temperatur, der Luftdruck auf Meereshöhe, der Gesamtwassergehalt der Luftsäule sowie Temperatur und Feuchte zweier Bodenschichten. Manche Ausgaben werden nur vorhergesagt, nie wieder eingespeist: Niederschlag, der Wind in 100 m Höhe, Bewölkung, Sonneneinstrahlung und seit v2 elf Seegangsgrößen wie signifikante Wellenhöhe, Periode und Richtung.

Das Training verläuft in zwei Phasen. Das Netz wird zuerst auf ERA5 von 1979 bis 2022 vortrainiert und dann mit den operationellen Analysen des ECMWF (2018 bis 2024 für v2) feinabgestimmt, wobei mehrere Schritte verkettet werden, damit es lernt, seine eigene Drift im Zaum zu halten und den heutigen, schärferen Analysen zu entsprechen. Ein Training dauerte etwa eine Woche auf 64 Grafikprozessoren. Das Netz wird an einem gewichteten mittleren quadratischen Fehler gemessen, und diese Wahl erklärt seine größte Schwäche: Ist es unsicher, wird der Fehler am kleinsten, wenn es den Mittelwert der möglichen Ausgänge vorhersagt, sodass seine Felder mit zunehmender Vorhersagezeit glatter werden.

Vier Läufe am Tag, in wenigen Minuten

Das AIFS liest keine Beobachtungen: Keine wurde für sein Training verwendet, und keine geht in einen Lauf ein. Jeder Lauf startet von der Kontrollanalyse des IFS, der besten Schätzung des aktuellen Zustands der Atmosphäre, die das ECMWF mit 4D-Var erstellt, einem Verfahren, das die Trajektorie eines physikalischen Modells über ein Zeitfenster an Millionen Beobachtungen von Satelliten, Flugzeugen, Schiffen, Bojen und Wetterstationen anpasst. Diese Analyse, auf einem Gitter von etwa 9 km erstellt, wird auf das 31-km-Gitter des AIFS umgerechnet. Für seinen Ausgangspunkt hängt das AIFS daher vollständig vom physikbasierten System und dessen Beobachtungsnetz ab.

Die Vorhersage selbst läuft in Minuten auf Grafikprozessoren: Die Beschreibung des Systems von 2024 nennt etwa zweieinhalb Minuten für 10 Tage auf einem einzigen Prozessor, wo das IFS einen großen Teil eines Supercomputers braucht. Diese Geschwindigkeit ist die Grundlage der 1.000-fachen Energieeinsparung, die das ECMWF angibt. Die Läufe starten um 00, 06, 12 und 18 UTC und liefern bis 15 Tage alle 6 Stunden einen Zustand.

Die auf dem N320-Gitter berechnete Ausgabe wird in GRIB2 auf einem regulären 0,25°-Gitter auf dem Open-Data-Server des ECMWF veröffentlicht, sobald die jeweilige Vorhersage erstellt ist, ohne die Verzögerung, die früher galt. Sie steht unter der Lizenz Creative Commons CC BY 4.0, die Weiterverbreitung und kommerzielle Nutzung erlaubt, sofern das ECMWF genannt wird. Auch die trainierten Gewichte des Netzes sind unter derselben Lizenz veröffentlicht, sodass jeder mit einem Grafikprozessor das AIFS betreiben kann.

Sein Geschwistermodell AIFS ENS rechnet 51 Vorhersagen gleichzeitig, 50 gestörte Mitglieder und einen Kontrolllauf, auf demselben 31-km-Gitter und über dieselben 15 Tage. Es wird mit dem Continuous Ranked Probability Score trainiert, einem Maß, das eine Gruppe von Vorhersagen belohnt, deren Streuung der tatsächlichen Unsicherheit entspricht, sodass seine Mitglieder scharf bleiben, statt zu einem glatten Mittel zusammenzufallen. Saily WR nutzt AIFS Single, nicht das Ensemble.

Auf See richtig lesen

Seine Stärke ist das großräumige Bild mehrere Tage im Voraus: wo die Tiefs und Hochs liegen werden, wann eine Front eintrifft, welchen Weg ein tropischer Wirbelsturm nimmt. Die Evaluierung des ECMWF ergab für die höheren Luftschichten Gütemaße, die in weiten Teilen der Troposphäre etwa 10 % besser sind als die des IFS, und deutlich kleinere Fehler bei den Zugbahnen tropischer Wirbelstürme. Für eine Ozeanüberquerung, bei der die Wahl einer Route vor allem die Wahl eines Wettersystems ist, das man nutzen oder meiden will, ist das die Information, die zählt.

Seine Schwäche ist die Stärke des Windes. Weil es gelernt hat, einen mittleren Fehler zu minimieren, glättet es: Windspitzen werden gekappt, enge Gradienten abgeschwächt, und der Effekt wächst mit der Vorhersagezeit. Das ECMWF merkt an, dass das AIFS im Mittel weniger intensive tropische Wirbelstürme erzeugt als das IFS. Bei Sturm, in der Nähe eines Wirbelsturms oder entlang einer scharfen Front lesen Sie seine Windgeschwindigkeit als wahrscheinlich zu niedrig und sein Timing und seine Positionen als den brauchbaren Teil.

Mit etwa 31 km und einem Zustand alle 6 Stunden sieht es nichts von dem, was in Landnähe geschieht: keine Seebrise, keine Beschleunigung um ein Kap, keinen Windschatten hinter einer Insel, keine Böenlinie. Eine Front, die zwischen zwei Schritten durchzieht, ist nur über das bekannt, was vor und nach ihr geschieht. Für das Küstensegeln oder eine Entscheidung, die sich in Stunden bemisst, sagt ein feinmaschiges Regionalmodell weit mehr.

Am besten nutzen Sie es als zweite Meinung neben dem IFS. Beide starten von genau derselben Analyse; gehen sie auseinander, stammt der Unterschied also allein von den Modellen, ein klares Signal, dass die Vorhersage unsicher ist. Stimmen AIFS, IFS und ein Modell eines anderen Zentrums wie das GFS bei einer Route überein, ist das Vertrauen hoch; weicht das AIFS allein ab, prüfen Sie, ob es schlicht eine Struktur glättet, die die anderen scharf halten.

AIFS in Saily WR

Saily WR lädt jeden neuen Lauf von AIFS Single aus den offenen Daten des ECMWF herunter, sobald er veröffentlicht ist, viermal täglich, auf dem 0,25°-Gitter: den Wind in 10 m Höhe, als Ost-West- und Nord-Süd-Komponente, alle 6 Stunden bis 15 Tage. Da das Modell global ist, erhält jede Route eine AIFS-Version, wo auch immer sie beginnt und endet.

Die Isochronenroute wird mit der Polare Ihres Bootes in diesem Wind gesegelt, räumlich zwischen den Gitterpunkten und zeitlich zwischen den 6-stündlichen Schritten interpoliert. Sie wird neben den Routen der anderen Modelle gezeichnet, die dasselbe Seegebiet abdecken, darunter das IFS, sodass ein Unterschied zwischen der AIFS- und der IFS-Route auf einen Blick zeigt, wo die beiden Vorhersagen auseinandergehen. Die Strömung und die Landvermeidung, die Sie wählen, gelten für sie genau wie für die anderen.

Erwarten Sie eine glatte Route aus einem glatten Wind: Die AIFS-Route schlägt selten wegen einer örtlichen Bö einen Haken, und bei Starkwind kann sie zu optimistisch sein, was den Komfort der Überfahrt angeht. Die Seite „Daten“ zeigt live, mit welchem AIFS-Lauf die App arbeitet und wie weit er reicht.