@idefix37 2. Tiempo de cómputo mucho menor
AIFS genera pronósticos en minutos frente a las horas necesarias para modelos físicos como HRES/IFS o FV3/GFS.
Esto permite actualizaciones más frecuentes en eventos de rápido cambio de trayectoria (por ejemplo, recurvatura cerca de costas o rápida intensificación).
3. Mejor manejo de datos de entrada irregulares
Al usar redes neuronales gráficas y transformers con ventana deslizante, AIFS procesa la información de presión, viento y humedad en distintos formatos y rejillas, lo que mejora la integración de datos de reanálisis (ERA5) y observaciones recientes.
Esto ayuda en regiones con escasa observación in situ, como el Atlántico central o el Pacífico oriental.
4. Captura de la incertidumbre con AIFS ENS
La versión ensemble (AIFS ENS) genera múltiples escenarios que representan la incertidumbre real de trayectoria e intensidad.
En pruebas operativas, el rango de dispersión de AIFS ENS es más realista que el de IFS ENS, reduciendo el riesgo de sobreconfianza en una sola trayectoria.
5. Consistencia espacial y temporal
AIFS evita saltos bruscos en la posición pronosticada de un ciclo a otro (forecast-to-forecast jumps), algo que ocurre con modelos físicos cuando cambian las condiciones iniciales.
Esto es útil para mantener coherencia en avisos y mapas de trayectoria.
6. Mejor respuesta en intensificación rápida
Aunque no siempre perfecto, AIFS muestra mejor tendencia en detectar posibles fases de Rapid Intensification (RI) cuando las señales en temperatura oceánica y cizalladura vertical ya están presentes en los datos de entrada.
Esto le da una ventaja de alerta temprana frente a GFS y a veces incluso sobre IFS.