De onderstaande publicatie is zo op het oog wat mij betreft een interessante stap in de AI weermodellen. Tot op heden is het gebruikelijk om dergelijke AI modellen te trainen op heranalyse datasets als ERA5. Dat is erg praktisch, de kwaliteit daarvan is behoorlijk goed en de uitvoer is mooi consistent beschikbaar (tov heterogene metingen).
Een logisch nadeel is dat je ook alle mankementen van een model als ERA5 meeneemt in de training, wat een beperking vormt voor nog verdere verbeteringen van de uitvoer.
De publicatie beschrijft een AI model dat direct op (vergridde) metingen traint, en dus de stap van een heranalyse model overslaat. Het resultaat is al vergelijkbaar of beter dan het huidige fysische IFS model van ECMWF.
Voor de huidige AI modellen, welke al een enorme snelheidswinst geven is de initialisatie ((her)analyse van de huidige situatie) alsnog een enorm rekenintensieve stap. Door dat over te slaan verdwijnt die beperking ook voor een groot deel waardoor bijvoorbeeld (ik speculeer) uurlijkse wereldwijde runs gedaan zouden kunnen worden. Iets dat met IFS simpelweg niet kan vanwege de benodigde rekenkracht, de overgang van 2x naar 4x per dag was al enorm.
Once trained, the AIFS-DOP model takes less than one minute to make a 10-day forecast, including reading input data and writing output data. As AIFS-DOP can launch instantaneously from the latest observations (without having to wait for the latest data assimilation analysis cycle to finish), this means that we could potentially produce forecasts with virtually zero latency (from observations being available) at arbitrary initialisation times, and provide much quicker access to weather forecasts and associated warnings.
https://arxiv.org/abs/2606.19093