NOAA AIGFS

Von GraphCast zum AIGFS

Im Dezember 2022 beschrieb Google DeepMind GraphCast, ein neuronales Netz, trainiert auf ERA5, der Reanalyse des vergangenen Wetters des ECMWF, das in weniger als einer Minute auf einem einzigen Google-TPU-v4-Prozessor eine globale 10-Tage-Vorhersage mit 0,25° erstellt. Im November 2023 in Science veröffentlicht, schlug es die hochaufgelöste physikbasierte Vorhersage des ECMWF bei 90 % von 1.380 Verifikationszielen. Doch es hatte aus den Daten des ECMWF gelernt und nahm die Daten des ECMWF als Ausgangszustand, sodass für andere Zentren die offene Frage war, ob es auch mit ihren eigenen Analysen funktionieren würde.

Das Environmental Modeling Center (EMC) der NOAA machte sich daran, sie zu beantworten. Experimentelle GraphCastGFS-Läufe, also GraphCast gestartet von der eigenen Analyse der NOAA, wurden ab dem 5. Februar 2024 veröffentlicht. Das EMC stimmte GraphCast dann mit den Analysen des Global Data Assimilation System (GDAS) der NOAA fein ab: In seinem Bericht vom März 2025 hatte das feinabgestimmte Modell in den ersten zwei Tagen größere Fehler als das GFS, danach aber kleinere beim Wind, bei der 500-hPa-Höhe und beim Niederschlag, etwa 10 % weniger bei der 500-hPa-Höhe an Tag 10, und bessere Zugbahnen tropischer Wirbelstürme, aber schlechtere Wirbelsturmintensitäten. Die Echtzeitläufe gingen unter Project EAGLE weiter, einem gemeinsamen Vorhaben des National Weather Service, der Forschungslabore der NOAA, des EMC und des Earth Prediction Innovation Center, zu dem im April 2025 ein experimentelles Ensemble hinzukam.

AIGFS v1.0 wurde am 17. Dezember 2025 mit dem Lauf von 12 UTC operationell, zusammen mit zwei Ensembles, AIGEFS und HGEFS. Die NOAA kündigte für viele großräumige Strukturen eine höhere Güte als beim GFS und bei längeren Vorhersagezeiten kleinere Fehler bei den Zugbahnen tropischer Wirbelstürme an und warnte, dass v1.0 die Vorhersage der Wirbelsturmintensität verschlechterte. Die experimentellen EAGLE-Vorhersagen, die es ablöste, endeten am 17. und 18. Dezember, während die älteren experimentellen GraphCastGFS-Läufe bis 00 UTC am 5. Mai 2026 weiterliefen, ihrem letzten im Cloud-Archiv der NOAA.

AIGFS v1.1 ging am 27. Juli 2026 in Betrieb, wieder mit dem Lauf von 12 UTC. Sein Netz wird im Training anders bewertet: über eine Verlustfunktion auf Basis von Kugelflächenfunktionen, die auf den Mustern jedes Feldes Skala für Skala statt Punkt für Punkt berechnet wird, und auf Windgeschwindigkeit und -richtung statt auf der Ost-West- und der Nord-Süd-Komponente; es wurde mit vier Jahren GDAS-Analysen feinabgestimmt und an Vorhersagen trainiert, die bis 72 Stunden verkettet sind. Der National Weather Service erklärt, dass diese Änderungen die Vorhersagen der Intensität tropischer Wirbelstürme und des Niederschlags verbessern und das Verschwimmen der Vorhersagen bei längeren Vorhersagezeiten verringern.

Ein Netz, das die Atmosphäre gelernt hat

Das AIGFS löst keine Gleichung. Wie GraphCast, von dem es abstammt, hat es aus vergangenen Zuständen 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, 64-mal, um 16 Tage zu erreichen. Diese Verkettung heißt Autoregression, und jeder früh gemachte Fehler wird in die folgenden Schritte weitergetragen.

Das Netz hat drei Teile. Ein Encoder, eine einzelne Schicht eines graphenbasierten neuronalen Netzes, sammelt die 1.038.240 Punkte des 0,25°-Gitters auf einem verborgenen Gitter, das entsteht, indem die Flächen eines Ikosaeders sechsmal unterteilt werden, bis hinunter zu 40.962 gleichmäßig verteilten Knoten. Ein Prozessor aus 16 Graphenschichten leitet Nachrichten entlang der Kanten dieses Gitters weiter, über kurze für das lokale Wetter und über lange für entfernte Einflüsse. Ein Decoder bringt das Ergebnis als Änderung des jüngsten Zustands zurück auf das Gitter nach geografischer Breite und Länge. Insgesamt hat das Netz 36,7 Millionen Parameter.

Was hinein- und herausgeht, ist ein kompaktes Bild der Atmosphäre: Wind, Temperatur, geopotenzielle Höhe, spezifische Feuchte und Vertikalgeschwindigkeit auf 13 Druckflächen von 1000 bis 50 hPa, dazu Bodenfelder: der Wind in 10 m Höhe, die 2-m-Temperatur, der Luftdruck auf Meereshöhe und der Niederschlag. Es gibt kein Feld für Böen, für Seegang oder für Wolken.

GraphCast wurde von Google DeepMind auf ERA5 von 1979 bis 2017 trainiert, und seine Version mit 13 Druckflächen wurde dann mit den operationellen Analysen des ECMWF von 2016 bis 2021 feinabgestimmt. Die NCEP gingen von dieser Version aus und stimmten sie mit ihren eigenen GDAS-Analysen fein ab, damit sie die Besonderheiten des Ausgangszustands lernt, den sie jeden Tag erhält. GraphCast wurde an einem 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. Die Änderungen von v1.1 sollen dieses Verschwimmen verringern.

Vier Läufe am Tag, zu einem Bruchteil der Kosten des GFS

Das AIGFS liest selbst keine Beobachtungen. Jeder Lauf startet von der GFS-basierten Analyse der NOAA, erstellt von ihrem Global Data Assimilation System (GDAS), das Beobachtungen von Satelliten, Flugzeugen, Radiosonden und Bodenstationen zur besten Schätzung des aktuellen Zustands der Atmosphäre verbindet. Für seinen Ausgangspunkt hängt das AIGFS daher vollständig vom physikbasierten System und dessen Beobachtungsnetz ab.

Die Vorhersage selbst ist günstig: Laut NOAA dauert eine 16-Tage-Vorhersage etwa 40 Minuten und benötigt 0,3 % der Rechenressourcen des operationellen GFS. Die Läufe starten um 00, 06, 12 und 18 UTC und liefern alle 6 Stunden einen Zustand, von der Analyse bis 384 Stunden, 16 Tage voraus.

Die Ausgabe wird in GRIB2 auf dem 0,25°-Gitter auf NOMADS veröffentlicht, dem Server der NOAA für die Verbreitung ihrer Modelle, in zwei Dateien pro Schritt: eine auf Druckflächen und eine am Boden, mit dem Wind in 10 m Höhe, der 2-m-Temperatur, dem Luftdruck auf Meereshöhe und dem Niederschlag. Seit April 2026 werden die Läufe einige Stunden später auch in das Open-Data-Archiv der NOAA bei Amazon Web Services kopiert, das auch die experimentellen Entwicklungsversionen bereithält. Als Information der US-Regierung ist die Ausgabe gemeinfrei.

Seine Geschwistermodelle AIGEFS und HGEFS, am selben Tag eingeführt, befassen sich mit der Unsicherheit. AIGEFS rechnet 31 Vorhersagen mit maschinellem Lernen bis 16 Tage; HGEFS verbindet sie mit den 31 Mitgliedern des physikbasierten GEFS zu einem Ensemble aus 62 Mitgliedern bis 10 Tage, das die NOAA als erstes hybrides Ensemble aus Physik und maschinellem Lernen bezeichnet, das ein Wetterzentrum operationell betreibt. Saily WR nutzt das AIGFS, nicht die Ensembles.

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 NOAA meldet für viele großräumige Strukturen eine höhere Güte als beim GFS und bei längeren Vorhersagezeiten kleinere Fehler bei den Zugbahnen von Wirbelstürmen, und die Verifikation der NOAA für v1.0 ergab bei der Anomaliekorrelation der geopotenziellen Höhe einen statistisch signifikanten Gewinn gegenüber dem GFS. 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. Ein Netz, das auf einen mittleren Fehler trainiert wurde, glättet: Windspitzen werden gekappt, enge Gradienten abgeschwächt, und der Effekt wächst mit der Vorhersagezeit. Version 1.0 unterschätzte die Intensität tropischer Wirbelstürme; v1.1 wurde gebaut, um das zu korrigieren und das Verschwimmen zu verringern, ohne veröffentlichte Zahl dazu, wie stark. Bei Sturm, in der Nähe eines Wirbelsturms oder entlang einer scharfen Front lesen Sie seine Windgeschwindigkeit mit Vorsicht und sein Timing und seine Positionen als den brauchbaren Teil.

Mit 0,25°, etwa 28 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, und es liefert keine Böen. 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 GFS. Beide starten von derselben Analyse der NOAA, daher ist das AIGFS nicht unabhängig vom GFS: Gehen sie auseinander, stammt der Unterschied allein von den Modellen, ein klares Signal, dass die Vorhersage unsicher ist; stimmen sie dagegen überein, können sie denselben Fehler im Ausgangszustand teilen. Ein Modell, das von der Analyse eines anderen Zentrums startet, etwa das IFS oder das AIFS, liefert die unabhängige Sicht; stimmen alle bei einer Route überein, ist das Vertrauen hoch.

AIGFS in Saily WR

Saily WR lädt jeden neuen AIGFS-Lauf vom NOMADS-Server der NOAA herunter, viermal täglich, auf dem 0,25°-Gitter: den Wind in 10 m Höhe, als Ost-West- und Nord-Süd-Komponente, alle 6 Stunden bis 16 Tage (384 Stunden). Ein Lauf ist etwa 4 h 20 min nach seinem Zyklustermin vollständig. Da das Modell global ist, erhält jede Route eine AIGFS-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 GFS, sodass ein Unterschied zwischen der AIGFS- und der GFS-Route auf einen Blick zeigt, wo die beiden Vorhersagen auseinandergehen.

Die Seite „Daten“ zeigt live, mit welchem AIGFS-Lauf die App arbeitet und wie weit er reicht.