AIFS Single v2
AIFS 是欧洲中期天气预报中心（ECMWF）的人工智能预报系统。 该系统包含两个数据驱动的中期预报模式：
- AIFS Single v2（本文档介绍）
- AIFS ENS v2（详见下一页）
AIFS Single v2 于2026年5月12日投入使用，替代了1.1版本。 该模式由ECMWF进行业务化运行，每日四次生成全球15天（每6小时一次）的确定性预报。
目录
What's new in v2
AIFS v2版本的发布带来了以下新特性：
- 新增海浪组件，包含11个海浪变量，标志着ECMWF首个业务化数据驱动海浪预报的实现。
- 在现有陆面组件中新增一个雪变量。
- 通过将参数W从预报量改为诊断量，改进了垂直速度的预报效果。
- 通过增加10hPa等压面层数据，改进了平流层的表征。
- 改进了训练方案，与AIFS Single v1.1版本相比，增加了2年的训练数据。
有关此次升级所引入变更的完整详情，请参见实施页面。
快速入门
访问 AIFS Single v2 模式数据
ECMWF 每天（世界协调时 00、06、12 和 18 时）四次生成 AIFS Single v2 的业务预报。 用户可通过各种开放数据平台免费获取预报数据。
使用 AIFS Single v2 生成预报
要使用 AIFS Single v2 模式生成预报，请遵循笔记本示例。
该笔记本演示了：
- 安装软件包并导入
- 从 ECMWF 开放数据检索初始条件
- 加载预训练检查点
- 使用 anemoi-inference 进行推理
- 可视化预报
anemoi-inference 还提供命令行界面：
anemoi-inference run inference.yaml或者，如果使用此仓库中的 uv：
uv run --extra inference anemoi-inference run inference.yaml模型概述
模型描述
AIFS Single v2 基于图神经网络（GNN）编码器和解码器，以及滑动窗口Transformer处理器构建。
该模型采用灵活的模块化设计，支持多种级别的并行处理，能够对高分辨率输入数据进行训练。AIFS的预报技能通过将其预报结果与数值天气预报（NWP）分析场及直接观测数据进行对比来评估。
- 开发机构： 欧洲中期天气预报中心（ECMWF）
- 模型类型： 编码器-处理器-解码器模型
- 许可证： 推理模型权重发布遵循知识共享署名4.0国际许可协议（CC BY 4.0）。欲查看本许可协议副本，请访问 https://creativecommons.org/licenses/by/4.0/。 演示笔记本 及其他脚本文件发布遵循Apache 2.0许可协议。欲查看本许可协议副本，请访问 https://www.apache.org/licenses/LICENSE-2.0.txt。
模型分辨率
AIFS Single v2 为平流层部分新增了一个气压层。
| 模型 | 垂直分辨率[气压层]（hPa） |
|---|---|
| AIFS-single v2.0 | 10（新增）、50、100、150、200、250、300、400、500、600、700、850、925、1000 |
与先前版本 AIFS Single v1.1 相比，水平分辨率未做改动。
| 组件 | 水平分辨率[公里] | 垂直分辨率[层数] |
|---|---|---|
| 大气 | ~ 31 | 14 |
模型来源
- 代码库： Anemoi 是一个用于构建数据驱动天气预报系统的开源框架。Anemoi 由欧洲中期天气预报中心（ECMWF）与欧洲各国气象部门联合开发。
- 相关论文：
数据详情
训练数据
aifs-single-2.0 的预训练数据与先前模型版本（v1.1）保持一致：
- 预训练使用了 1979–2022 年的 ERA5 数据，共进行了 260,000 个训练步。
aifs-single-2.0 的微调数据已更新：
- 与 aifs-single-1.1 相比，微调额外使用了 2 年的数据。
- 具体而言，微调使用了 ECMWF 业务分析数据和 IFS 50r1 esuite 分析数据，涵盖 2018-2024 年，共进行了 7,900 个训练步。
注：用于微调的 IFS 50r1 esuite 分析数据不对用户开放。它包含来自 IFS Cycle 50r1 早期版本的原型数据。
与先前版本的 AIFS Single 一样，IFS 字段从其原生 O1280 分辨率（约 0.1°）使用 MARS 默认插值工具插值到 N320（约 0.25°），用于微调以及推理期间的模型初始化。
数据参数
新增参数
aifs-single-2.0 引入了 12 个新参数，这些参数用于模型训练，并在预报期间由模型输出。
| 短名称 | 名称 | 单位 |
|---|---|---|
| h1012 | 周期在 10 至 12 秒（含）范围内的所有波浪的有效波高 | |
| h1214 | 周期在 12 至 14 秒（含）范围内的所有波浪的有效波高 | |
| h1417 | 周期在 14 至 17 秒（含）范围内的所有波浪的有效波高 | |
| h1721 | 周期在 17 至 21 秒（含）范围内的所有波浪的有效波高 | |
| h2125 | 周期在 21 至 25 秒（含）范围内的所有波浪的有效波高 | |
| h2530 | 周期在 25 至 30 秒（含）范围内的所有波浪的有效波高 | |
| wmb | 模型水深 | |
| swh | 有效波高 | |
| mwd | 平均波向 | |
| mwp | 平均波周期 | |
| cdww | 波浪拖曳系数 | |
| fscov | 积雪覆盖率 |
训练详情
训练数据
AIFS Single v2 基于欧洲中期天气预报中心（ECMWF）的 ERA5 再分析数据和 ECMWF 的业务数值天气预报（NWP）分析数据进行训练，具体描述见训练数据部分。
AIFS Single v2 旨在生成 6 小时预报。它接收 $t_{−6h}$、$t_{0}$ 时刻的大气状态表征作为输入，然后预报 $t_{+6h}$ 时刻的状态。
下表列出了 AIFS Single v2 使用的所有输入参数和生成的输出参数。新增参数和层级标记为粗体。
| 字段 | 层级类型 | 输入/输出 |
|---|---|---|
| 位势高度（Z）、水平和垂直风分量（U、V）、温度（T） | 气压层：10、50、100、150、200、250、300、400、500、600、700、850、925、1000 | 两者皆是（“预报量”） |
| 比湿（Q） | 气压层：100、150、200、250、300、400、500、600、700、850、925、1000 | 两者皆是（“预报量”） |
| 垂直速度（W） | 气压层：10、50、100、150、200、250、300、400、500、600、700、850、925、1000 | 输出（“诊断量”） |
| 比湿（Q） | 气压层：50 | 输出（“诊断量”） |
| 地面气压（SP）、海平面气压（MSL）、海表温度（SST）、地表温度（SKT）、2米温度（2T）、2米露点温度（2D）、10米水平风分量（10U、10V）、总柱含水量（TCW）、平均波周期（MWP）、平均波向（MWD）、波浪拖曳系数（CDWW）、有效波高（SWH）、以下各周期范围内所有波浪的有效波高： - 10至12秒（H1012） - 12至14秒（H1214） - 14至17秒（H1417） - 17至21秒（H1721） - 21至25秒（H2125） - 25至30秒（H2530） | 地面 | 两者皆是（“预报量”） |
| 体积土壤湿度（VSW）和土壤温度（SOT），均位于土壤深度1和2 | 土壤层 | 两者皆是（“预报量”） |
| 100米水平风分量（100U、100V）、地表向下短波（太阳）辐射（SSRD）、地表向下长波（热）辐射（STRD）、云变量（TCC、HCC、MCC、LCC）、径流水分当量（ROWE）和降雪量（SF）、总降水量（TP）、对流性降水量（CP）、积雪覆盖率（FSCOV） | 地面 | 输出（“诊断量”） |
| 次网格地形标准偏差（SDOR）、次网格地形坡度（SLOR）、海陆掩码（LSM）、位势高度（Z）、日照、经纬度、一天中的时间/一年中的日期 | 地面 | 输入（“强迫场”） |
训练流程
本次升级未对模型架构进行任何改动，模型仍与现有的运行模型v1.1保持一致。有关模型架构的技术细节详见arXiv预印本此处和此处。
速度、规模与时间
训练采用数据并行方式，批处理大小为16。单个模型实例分布在一块120GB GH200 GPU上。训练使用混合精度（Micikevicius等人[2018]），整个过程在总共16块GPU上耗时约4天。检查点大小为994MB，如上所述，不包含优化器状态。
评估
现已提供展示2026年1月至3月期间AIFS Single v2性能的交互式评分卡。这些评分卡比较了从49r1和50r1 IFS初始条件初始化时的性能：
- AIFS Single v2（从50r1初始化）与AIFS Single v1.1（从49r1初始化）的比较
- AIFS Single v2与AIFS Single v1.1（均从50r1初始化）的比较
已知限制
请参阅https://confluence.ecmwf.int/display/FCST/Known+AIFS+Forecasting+Issues。
技术规格
硬件
AIFS Single v2在16块GH200 GPU（120GB）上进行训练。
软件
该模型使用Anemoi框架开发和训练。Anemoi框架提供了一套完整的工具包，用于开发数据驱动的天气模型——从数据准备到推理。该框架的开发主要由多个欧洲气象组织推动，但也欢迎任何组织或个人贡献。框架由多个软件包组成，针对构建数据驱动天气模型所需的不同组件。为了辅助开发和部署，每个软件包都会收集可被后续软件包使用的元数据。该框架建立在成熟的Python工具之上，包括PyTorch、Lighting、Hydra、Zarr、Xarray和earthkit。
引用
如果您在工作中使用此模型，请按以下方式引用：
BibTeX：
@article{lang2024aifs,
title={AIFS-ECMWF's data-driven forecasting system},
author={Lang, Simon and Alexe, Mihai and Chantry, Matthew and Dramsch, Jesper and Pinault, Florian and Raoult, Baudouin and Clare, Mariana CA and Lessig, Christian and Maier-Gerber, Michael and Magnusson, Linus and others},
journal={arXiv preprint arXiv:2406.01465},
year={2024}
}美国心理学会格式：
Lang, S., Alexe, M., Chantry, M., Dramsch, J., Pinault, F., Raoult, B., ... & Rabier, F. (2024). AIFS-ECMWF's data-driven forecasting system. arXiv preprint arXiv:2406.01465.
更多信息
所有论文：
博客文章：