ECMWF AIFS

De la física al aprendizaje

Durante setenta años, prever el tiempo significó resolver las ecuaciones de la física de fluidos en un superordenador. En 2022, tres prepublicaciones ajenas a los servicios meteorológicos sacudieron esa idea: FourCastNet, de NVIDIA, en febrero; Pangu-Weather, de Huawei, en noviembre, y GraphCast, de Google DeepMind, en diciembre. Las tres eran redes neuronales entrenadas con ERA5, el propio reanálisis del tiempo pasado del ECMWF, y las tres afirmaban rivalizar con el IFS, el modelo físico del ECMWF, en muchas métricas de verificación por una ínfima fracción de su coste de cálculo.

El ECMWF respondió ejecutando esos modelos externos en tiempo real a partir de sus propios análisis, y construyendo el suyo: el Artificial Intelligence Forecasting System, AIFS. Una primera versión funcionó en modo experimental desde octubre de 2023 a aproximadamente 1°; en febrero de 2024 pasó a unos 0,25° y al diseño basado en transformers que todavía utiliza. Se apoya en Anemoi, un marco de código abierto que el ECMWF y varios servicios meteorológicos nacionales europeos lanzaron en 2024 para entrenar este tipo de modelos con sus propios datos.

AIFS Single v1, la versión determinista (una sola previsión por pasada), pasó a ser operativa el 25 de febrero de 2025, funcionando junto al IFS y no en su lugar. El ECMWF anunció mejoras de hasta un 20 % respecto a los modelos físicos en algunas medidas, entre ellas la trayectoria de los ciclones tropicales, con unas 1000 veces menos energía por previsión. La versión 1.1 llegó el 27 de agosto de 2025, sobre todo para eliminar manchas de lluvia espurias debidas a una relación no física que la red había aprendido entre la humedad del suelo y la precipitación. Una versión por conjuntos, AIFS ENS, pasó a ser operativa el 1 de julio de 2025.

AIFS Single v2 entró en servicio el 12 de mayo de 2026, junto con el ciclo 50r1 del IFS. Su arquitectura no cambia, pero se ajustó con dos años más de análisis recientes, ganó un nivel de 10 hPa en la estratosfera y, por primera vez en el ECMWF, prevé el oleaje y la cubierta de nieve con una red en lugar de un modelo físico. Ese mismo día el ECMWF dejó de ejecutar los modelos experimentales externos, ya que su propio AIFS había ocupado su lugar.

Una red que aprendió la atmósfera

El AIFS no resuelve ninguna ecuación. Ha aprendido, a partir de décadas de estados pasados de la atmósfera, cómo un estado se convierte en el siguiente seis horas más tarde. Con el estado actual y el de hace seis horas, predice el estado seis horas más adelante; después vuelve a introducir su propia previsión y repite, paso a paso, hasta 15 días. Este encadenamiento se llama autorregresión, y todo error cometido al principio se arrastra a los pasos siguientes.

La red tiene tres partes. Un codificador, una red neuronal de grafos con atención (un mecanismo que permite a cada punto ponderar lo que le dicen sus vecinos), reúne los 542.080 puntos de la malla N320, separados unos 31 km, en una malla oculta más gruesa de unos 40.000 puntos. Un procesador, un transformer cuya atención trabaja en ventanas deslizantes de esa malla oculta, hace avanzar la atmósfera seis horas; la descripción publicada le atribuye 16 capas. Un decodificador, otra red de grafos, devuelve el resultado a la malla de 31 km.

Lo que entra y sale es una imagen compacta de la atmósfera: geopotencial, temperatura, viento y humedad en 14 niveles de presión de 1000 a 10 hPa, más campos de superficie como el viento a 10 m, la temperatura a 2 m, la presión al nivel del mar, el agua total de la columna y la temperatura y la humedad de dos capas de suelo. Algunas salidas solo se predicen y nunca se reintroducen: la precipitación, el viento a 100 m, la nubosidad, la radiación solar y, desde la v2, once variables de oleaje como la altura significativa, el periodo y la dirección.

El entrenamiento se hace en dos fases. Primero la red se preentrena con ERA5 de 1979 a 2022 y después se ajusta con los análisis operativos del ECMWF (de 2018 a 2024 para la v2), encadenando varios pasos para que aprenda a contener su propia deriva y a ajustarse a los análisis actuales, más finos. Un entrenamiento llevó alrededor de una semana en 64 procesadores gráficos. La red se evalúa con un error cuadrático medio ponderado, y esa elección explica su principal defecto: cuando duda, el error es mínimo si predice la media de los resultados posibles, de modo que sus campos se vuelven más suaves a medida que avanza el plazo de previsión.

Cuatro pasadas al día, en minutos

El AIFS no lee observaciones: no se usó ninguna para entrenarlo y ninguna entra en una pasada. Cada pasada parte del análisis de control del IFS, la mejor estimación del estado actual de la atmósfera que el ECMWF construye con 4D-Var, un método que ajusta la trayectoria de un modelo físico a millones de observaciones de satélites, aviones, barcos, boyas y estaciones meteorológicas a lo largo de una ventana de tiempo. Ese análisis, hecho en una malla de unos 9 km, se reinterpola a la malla de 31 km del AIFS. Por tanto, el AIFS depende por completo del sistema físico y de su red de observación para su punto de partida.

La previsión en sí se ejecuta en procesadores gráficos en minutos: la descripción del sistema de 2024 indica unos dos minutos y medio para 10 días en un solo procesador, mientras que el IFS necesita una gran parte de un superordenador. Esa rapidez es el origen del ahorro de energía de 1000 veces que cita el ECMWF. Las pasadas parten a las 00, 06, 12 y 18 UTC y producen un estado cada 6 horas hasta 15 días.

La salida, calculada en la malla N320, se publica en GRIB2 sobre una malla regular de 0,25° en el servidor de datos abiertos del ECMWF en cuanto se produce cada previsión, sin el retraso que se aplicaba antes. Se difunde con la licencia Creative Commons CC BY 4.0, que permite la redistribución y el uso comercial siempre que se cite al ECMWF. También se publican los pesos entrenados de la red, con la misma licencia, de modo que cualquiera con un procesador gráfico puede ejecutar el AIFS.

Su hermano AIFS ENS ejecuta 51 previsiones a la vez, 50 miembros perturbados y uno de control, en la misma malla de 31 km y hasta los mismos 15 días. Se entrena con la puntuación de probabilidad clasificada continua, una puntuación que premia un conjunto de previsiones cuya dispersión corresponde a la incertidumbre real, de modo que sus miembros se mantienen nítidos en lugar de fundirse en una única media suave. Saily WR usa AIFS Single, no el conjunto.

Cómo leerlo en el mar

Donde el AIFS destaca es en la imagen a gran escala con varios días de antelación: dónde estarán las borrascas y los anticiclones, cuándo llegará un frente, hacia dónde irá un ciclón tropical. La evaluación del ECMWF encontró puntuaciones en altura alrededor de un 10 % mejores que las del IFS en la mayor parte de la troposfera y errores de trayectoria de los ciclones tropicales sensiblemente menores. En una travesía oceánica, donde elegir una ruta es sobre todo elegir un sistema meteorológico que aprovechar o evitar, esa es la información que cuenta.

Su punto débil es la fuerza del viento. Como aprendió a minimizar un error medio, suaviza: los máximos de viento se atenúan, los gradientes intensos se suavizan, y el efecto crece con el plazo de previsión. El ECMWF señala que el AIFS produce, de media, ciclones tropicales menos intensos que el IFS. En un temporal, cerca de un ciclón o a lo largo de un frente marcado, lea su velocidad del viento como probablemente demasiado baja, y su cronología y su posición como la parte útil.

A unos 31 km y con un estado cada 6 horas, no ve nada de lo que ocurre cerca de tierra: ni brisa marina, ni aceleración alrededor de un cabo, ni sombra de viento tras una isla, ni línea de turbonada. Un frente que pasa entre dos pasos solo se conoce por lo que ocurre antes y después de él. Para la navegación costera o una decisión que se mide en horas, un modelo regional de malla fina dice mucho más.

Su mejor uso es como segunda opinión junto al IFS. Ambos parten exactamente del mismo análisis, así que cuando divergen la diferencia procede solo de los modelos, lo que es una señal clara de que la previsión es incierta. Cuando el AIFS, el IFS y un modelo de otro centro como el GFS coinciden en una ruta, la confianza es alta; cuando solo el AIFS discrepa, compruebe si simplemente suaviza un fenómeno que los demás mantienen marcado.

El AIFS en Saily WR

Saily WR descarga cada nueva pasada de AIFS Single de los datos abiertos del ECMWF en cuanto se publica, cuatro veces al día, en la malla de 0,25°: el viento a 10 m, en sus componentes este-oeste y norte-sur, cada 6 horas hasta 15 días. Como el modelo es global, cada ruta tiene su versión AIFS, salga de donde salga y llegue a donde llegue.

La ruta por isócronas se navega con la polar de su barco en ese viento, interpolado en el espacio entre los puntos de malla y en el tiempo entre los pasos de 6 horas. Se dibuja junto a las rutas de los demás modelos que cubren las mismas aguas, entre ellos el IFS, de modo que una diferencia entre las rutas AIFS e IFS muestra de un vistazo dónde se separan las dos previsiones. La corriente y la forma de evitar tierra que usted elija se le aplican exactamente igual que a las demás.

Espere una ruta suave de un viento suave: la ruta AIFS rara vez hace zigzag tras una racha local, y con viento fuerte puede ser optimista sobre lo cómoda que será la travesía. La página Datos muestra en directo en qué pasada del AIFS está la aplicación y hasta dónde llega.