NOAA AIGFS

De GraphCast al AIGFS

En diciembre de 2022, Google DeepMind describió GraphCast, una red neuronal entrenada con ERA5, el reanálisis del tiempo pasado del ECMWF, que produce una previsión global a 10 días a 0,25° en menos de un minuto en un solo procesador TPU v4 de Google. Publicado en Science en noviembre de 2023, superó a la previsión física de alta resolución del ECMWF en el 90 % de 1380 objetivos de verificación. Pero había aprendido de los datos del ECMWF y tomaba los datos del ECMWF como estado de partida, así que la pregunta abierta para los demás centros era si funcionaría a partir de sus propios análisis.

El Environmental Modeling Center (EMC) de la NOAA se propuso responderla. Desde el 5 de febrero de 2024 se publicaron pasadas experimentales de GraphCastGFS, es decir, GraphCast partiendo del propio análisis de la NOAA. Después, el EMC ajustó GraphCast con los análisis del Global Data Assimilation System (GDAS) de la NOAA: en su informe de marzo de 2025, el modelo ajustado tenía errores mayores que el GFS en los dos primeros días, pero menores más allá en el viento, la altura de 500 hPa y la precipitación, alrededor de un 10 % menos en la altura de 500 hPa en el día 10, y mejores trayectorias de los ciclones tropicales, pero peores intensidades de los ciclones. Las pasadas en tiempo real continuaron dentro del Project EAGLE, un esfuerzo conjunto del National Weather Service, los laboratorios de investigación de la NOAA, el EMC y el Earth Prediction Innovation Center, al que se sumó un conjunto experimental en abril de 2025.

AIGFS v1.0 pasó a ser operativo el 17 de diciembre de 2025, con la pasada de las 12 UTC, junto con dos conjuntos, AIGEFS y HGEFS. La NOAA anunció un acierto mejor que el del GFS en muchos rasgos de gran escala y menores errores de trayectoria de los ciclones tropicales a plazos de previsión más largos, y advirtió de que la v1.0 degradaba las previsiones de intensidad de los ciclones. Las previsiones experimentales EAGLE a las que sustituyó se detuvieron el 17 y el 18 de diciembre, mientras que las pasadas experimentales más antiguas de GraphCastGFS continuaron hasta la de las 00 UTC del 5 de mayo de 2026, la última en el archivo en la nube de la NOAA.

AIGFS v1.1 entró en servicio el 27 de julio de 2026, de nuevo con la pasada de las 12 UTC. Su red se evalúa de otra manera durante el entrenamiento: mediante una pérdida en armónicos esféricos, calculada sobre los patrones de cada campo escala por escala y no punto por punto, y sobre la velocidad y la dirección del viento en lugar de las componentes este-oeste y norte-sur; se ajustó con cuatro años de análisis del GDAS y se entrenó con previsiones encadenadas hasta 72 horas. El National Weather Service afirma que estos cambios mejoran las previsiones de intensidad de los ciclones tropicales y de precipitación, y reducen el difuminado de las previsiones a plazos de previsión más largos.

Una red que aprendió la atmósfera

El AIGFS no resuelve ninguna ecuación. Como el GraphCast del que procede, ha aprendido, a partir 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, 64 veces para llegar a 16 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 sola capa de una red neuronal de grafos, reúne los 1.038.240 puntos de la malla de 0,25° en una malla oculta construida dividiendo seis veces las caras de un icosaedro, hasta llegar a 40.962 nodos espaciados uniformemente. Un procesador de 16 capas de grafos transmite mensajes a lo largo de las aristas de esa malla, cortas para el tiempo local y largas para las influencias lejanas. Un decodificador devuelve el resultado a la malla de latitud-longitud como un cambio respecto al último estado. En total, la red tiene 36,7 millones de parámetros.

Lo que entra y sale es una imagen compacta de la atmósfera: viento, temperatura, altura geopotencial, humedad específica y velocidad vertical en 13 niveles de presión de 1000 a 50 hPa, más campos de superficie: el viento a 10 m, la temperatura a 2 m, la presión al nivel del mar y la precipitación. No hay ningún campo de rachas, de oleaje ni de nubes.

GraphCast fue entrenado por Google DeepMind con ERA5 de 1979 a 2017, y su versión de 13 niveles se ajustó después con los análisis operativos del ECMWF de 2016 a 2021. El NCEP partió de esa versión y la ajustó con sus propios análisis del GDAS, para que aprenda las particularidades del estado de partida que recibe cada día. GraphCast se evaluaba con un error cuadrático medio, 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. Los cambios de la v1.1 pretenden reducir ese difuminado.

Cuatro pasadas al día, por una fracción del coste del GFS

El AIGFS no lee observaciones por sí mismo. Cada pasada parte del análisis de la NOAA basado en el GFS, producido por su Global Data Assimilation System (GDAS), que combina observaciones de satélites, aviones, radiosondas y estaciones de superficie en la mejor estimación del estado actual de la atmósfera. Por tanto, el AIGFS depende por completo del sistema físico y de su red de observación para su punto de partida.

La previsión en sí es barata: según la NOAA, una previsión a 16 días tarda unos 40 minutos y usa el 0,3 % de los recursos de cálculo del GFS operativo. Las pasadas parten a las 00, 06, 12 y 18 UTC y producen un estado cada 6 horas, desde el análisis hasta 384 horas, 16 días por delante.

La salida se publica en GRIB2 en la malla de 0,25° en NOMADS, el servidor de distribución de modelos de la NOAA, en dos archivos por paso: uno en niveles de presión y otro en superficie, con el viento a 10 m, la temperatura a 2 m, la presión al nivel del mar y la precipitación. Desde abril de 2026, las pasadas también se copian, unas horas más tarde, al archivo de datos abiertos de la NOAA en Amazon Web Services, que también alberga las versiones experimentales de desarrollo. Como información producida por el Gobierno de Estados Unidos, es de dominio público.

Sus hermanos AIGEFS y HGEFS, implantados el mismo día, se ocupan de la incertidumbre. AIGEFS ejecuta 31 previsiones de aprendizaje automático hasta 16 días; HGEFS las combina con los 31 miembros del GEFS físico en un conjunto de 62 miembros hasta 10 días, que la NOAA describe como el primer conjunto híbrido, físico y de aprendizaje automático, ejecutado de forma operativa por un centro meteorológico. Saily WR usa el AIGFS, no los conjuntos.

Cómo leerlo en el mar

Donde el AIGFS 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 NOAA indica un acierto mejor que el del GFS en muchos rasgos de gran escala y menores errores de trayectoria de los ciclones a plazos de previsión más largos, y la verificación de la v1.0 realizada por la NOAA encontró una mejora estadísticamente significativa respecto al GFS en la correlación de anomalías de la altura geopotencial. 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. Una red entrenada con un error medio suaviza: los máximos de viento se atenúan, los gradientes intensos se suavizan, y el efecto crece con el plazo de previsión. La versión 1.0 subestimaba la intensidad de los ciclones tropicales; la v1.1 se diseñó para corregirlo y reducir el difuminado, sin que se haya publicado una cifra de en qué medida. En un temporal, cerca de un ciclón o a lo largo de un frente marcado, lea su velocidad del viento con cautela, y su cronología y su posición como la parte útil.

A 0,25°, unos 28 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, y no da rachas. 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 GFS. Ambos parten del mismo análisis de la NOAA, así que el AIGFS no es independiente del GFS: cuando divergen, la diferencia procede solo de los modelos, lo que es una señal clara de que la previsión es incierta, pero cuando coinciden pueden compartir el mismo error en el estado de partida. Un modelo que parte del análisis de otro centro, como el IFS o el AIFS, aporta la visión independiente; cuando todos coinciden en una ruta, la confianza es alta.

El AIGFS en Saily WR

Saily WR descarga cada nueva pasada del AIGFS desde el servidor NOMADS de la NOAA, 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 16 días (384 horas). Una pasada está completa unas 4 h 20 después de la hora de su ciclo. Como el modelo es global, cada ruta tiene su versión AIGFS, 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 GFS, de modo que una diferencia entre las rutas AIGFS y GFS muestra de un vistazo dónde se separan las dos previsiones.

La página Datos muestra en directo en qué pasada del AIGFS está la aplicación y hasta dónde llega.