إعادة بناء مجالات الرياح ثلاثية الأبعاد الدقيقة بإدماج التضاريس وتعلم الآلة

لماذا تهم الرياح قرب سطح الأرض

الرياح القريبة من سطح الأرض تدير التوربينات وتغذي الحرائق البرية وتشكل كيفية تأثير العواصف على المدن والأودية. ومع ذلك، فإن توقعات الطقس التي نراها يومياً تميل إلى التمويه على التقلبات الحادة التي تتخذها الرياح أثناء انسيابها فوق التلال والصدوع والغابات. يقدم هذا البحث أداة جديدة تُدعى FuXi-CFD تدمج المحاكاة المبنية على الفيزياء مع الذكاء الاصطناعي لإعادة إنتاج تلك الأنماط الدقيقة ثلاثية الأبعاد للرياح على مقياس عشرات الأمتار — بسرعة كافية لتكون مفيدة في اتخاذ القرارات العملية.

أنماط رياح مخفية في التضاريس الوعرة

نماذج الطقس التقليدية ونماذج الذكاء الاصطناعي تعمل عند دقة مقياس كيلومتر، وهو أمر جيد لتتبع العواصف الكبيرة لكنه خشن جداً لالتقاط كيف تعيد الجبال والوديان تشكيل الهواء على بعد عشرات الأمتار فقط فوق السطح. في التضاريس المعقدة، يمكن أن تزداد سرعة الرياح فوق الحواف، وتنحني بقوة حول المنحدرات، وتشكل مسارات نفاثة داخل الوديان، بل وتعود لتدور خلف التلال الحادة. كثيراً ما تبدو هذه السلوكيات المحلية بعيدة تماماً عن الرياح الملساء والمتوسطَة المتوقعة عند مقياس الكيلومتر. عند اختيار مواقع التوربينات، أو تقدير انتشار الحرائق البرية، أو تقييم مخاطر العواصف بالقرب من السطح، يمكن أن تفرق مثل هذه التفاصيل صغيرة النطاق بين تصميم آمن وغير آمن.

دمج فيزياء مكثفة مع ذكاء اصطناعي سريع

لجسر هذه الفجوة، أنشأ المؤلفون FuXi-CFD، نظاماً يتعلم كيف تعيد التضاريس تشكيل الرياح. أولاً أنشأوا مكتبة ضخمة من المحاكاة عالية الدقة باستخدام ديناميكا الموائع الحاسوبية (CFD)، وهي تقنية معيارية تحل مباشرة معادلات حركة السوائل فوق خرائط رقمية مفصلة للتضاريس وخشونة السطح. يغطي كل سيناريو محاكاة مساحة تسعة في تسعة كيلومترات في جنوب شرق الصين بدقة شبكة 30 متراً، مع حل الرياح من السطح وحتى بضع مئات من الأمتار ارتفاعاً. في المجموع، أكثر من 12,000 محاكاة — تمثل مئات الآلاف من ساعات وحدة المعالجة المركزية — تلتقط كيف تستجيب الرياح لأشكال تضاريس مختلفة وأنواع أسطح واتجاهات وسرعات تدفق واردة متنوعة.

تعليم نموذج ليشعر بالتضاريس

بناءً على هذه المكتبة المُحاكاة، درّب الفريق نموذج تعلم عميق مصمم للعمل كـ «مؤثر استجابة التضاريس». المدخلات مماثلة لما يمكن أن توفره أنظمة الطقس العالمية أو الإقليمية المعاصرة المعتمدة على الذكاء الاصطناعي: الرياح الأفقية الخشنة على ارتفاع نحو 100 متر على شبكة كيلومترية، بالإضافة إلى خرائط عالية الدقة للارتفاع وخشونة السطح. من هذه المعلومات المحدودة، يتنبأ FuXi-CFD بحقل ريح ثلاثي الأبعاد كامل بدقة 30 متراً، بما في ذلك الرياح الأفقية والعمودية ومقياس لشدة الاضطراب. تعتمد بنية النموذج على Transformer على نمط الرؤية، ومصممة لالتقاط الأنماط بعيدة المدى — مثل كيف يؤثر حد علوي في اتجاه الريح على التدفق عدة كيلومترات أسفل المجرى — مع الحفاظ على ميزات محلية حادة مثل نفاثات الانحدار ومناطق الانفصال.

مدى كفاءته في العالم الواقعي

عند اختباره على أشكال تضاريس لم يرها من قبل، أعاد FuXi-CFD بدقة لافتة الأنماط التفصيلية من محاكيات CFD. التقط التسارعات فوق الحواف، وتوجيه وانعطاف الرياح داخل الوديان، والطريقة التي تتلاشى بها أنماط الرياح مع الارتفاع. كما استنتج حركات عمودية وسمات متعلقة بالاضطراب، رغم أن ما زود به من مدخلات كان الرياح الأفقية فقط. والأهم، أن مهارة النموذج لم تنهار بعيداً عن مستوى الارتفاع المدخل، مما يوحي بأنه تعلم بنية ثلاثية الأبعاد متسقة بدلاً من إجراء تصحيح على طبقة واحدة فقط. بالمقارنة مع عدة بنى تعلم عميق شائعة دربت على نفس البيانات، قدم FuXi-CFD أخطاء أصغر وبروفيلات عمودية أكثر واقعية باستمرار.

من محاكيات في الصين إلى أبراج في أوروبا

لاختبار ما إذا كان هذا الأسلوب يحتمل خارج المختبر، قام المؤلفون بالتحقق من FuXi-CFD مقابل قياسات من أبراج أرصاد جوية طويلة في أوروبا، تسجل الرياح عند عدة ارتفاعات فوق تضاريس معقدة. على الرغم من أن النموذج تدرب فقط على رياح مُحاكاة فوق جبال صينية، فقد أدّى جيداً في مواقع أوروبا، متفوقاً على قواعد متقدمة تستخلص الرياح عمودياً من بيانات إعادة التحليل العالمية الخشنة. كان التحسن أكثر وضوحاً للرياح الأقوى وللاتجاهات التي تجبر التضاريس الهواء على تسلق المنحدرات أو الانسياب فوق أرض غير منتظمة — وهي الحالات التي تهم أكثر لعائد طاقة الرياح ومخاطر الرياح القصوى.

ماذا يعني هذا للاستخدامات اليومية

من خلال ضغط ساعات من حسابات CFD المكثفة إلى أجزاء من الثانية، يفتح FuXi-CFD الباب أمام خرائط رياح دقيقة وقريبة من الوقت الحقيقي فوق المناظر الوعرة. بينما النظام الحالي أكثر موثوقية في ظروف رياح معتدلة إلى قوية، فإنه يقدم بالفعل وسيلة عملية لدعم اختيار مواقع التوربينات، وتنبؤ القدرة، وتوقع مخاطر الحرائق البرية، وتقييمات السلامة للطائرات منخفضة الارتفاع والبنية التحتية. قد توسع الإضافات المستقبلية التي تأخذ في الحسبان التدرج الحراري وضعف الرياح نطاقه، لكن حتى الآن يبيّن العمل كيف يمكن لتعلم الآلة المستنير بالفيزياء أن يملأ التفاصيل المفقودة بين التوقعات العالمية والرياح المعقدة ثلاثية الأبعاد التي تشكل الأحداث على الأرض.

الاستشهاد: Lin, C., Tie, R., Yi, S. et al. Reconstructing fine-scale 3D wind fields with terrain-informed machine learning. Nat Commun 17, 3713 (2026). https://doi.org/10.1038/s41467-026-70562-5

الكلمات المفتاحية: تنبؤ الرياح, تضاريس معقدة, تعلم الآلة, ديناميكا الموائع الحاسوبية, طاقة الرياح