Rekonstruktion feinkörniger 3D-Windfelder mit terraininformiertem maschinellen Lernen

Warum Wind nahe dem Boden wichtig ist

Wind in Bodennähe treibt Turbinen an, treibt Waldbrände voran und bestimmt, wie Stürme Städte und Täler beeinflussen. Dennoch verwischen die Wettervorhersagen, die wir täglich sehen, meist die scharfen Wendungen und lokalen Effekte, die der Wind beim Überströmen von Hügeln, Graten und Wäldern annimmt. Diese Studie stellt FuXi-CFD vor, ein neues Werkzeug, das physikbasierte Simulationen mit künstlicher Intelligenz verbindet, um diese feinkörnigen, dreidimensionalen Windmuster im Bereich von Dutzenden Metern nachzubilden — schnell genug, um in realen Entscheidungsprozessen nützlich zu sein.

Verborgene Windmuster in rauer Landschaft

Konventionelle Wetter- und KI-Vorhersagemodelle arbeiten in Kilometerrasterauflösung, was sich gut zur Verfolgung großer Sturmsysteme eignet, aber zu grob ist, um zu erfassen, wie Berge und Täler die Luft nur wenige Dutzend Meter über dem Boden umformen. In komplexem Gelände kann der Wind über Graten beschleunigen, sich scharf um Hänge lenken, in Tälern Jetströme bilden und hinter steilen Hügeln sogar rückläufige Strömungen entwickeln. Diese lokalen Verhaltensweisen ähneln oft in nichts den glatten, gemittelten Winden, die auf Kilometermaßstab vorhergesagt werden. Für die Standortwahl von Windturbinen, die Abschätzung der Ausbreitung von Waldbränden oder die Bewertung von Sturmriskien in Bodennähe können solche kleinräumigen Details den Unterschied zwischen einem sicheren und einem unsicheren Entwurf ausmachen.

Zusammenführung aufwendiger Physik mit schneller KI

Um diese Lücke zu schließen, entwickelten die Autorinnen und Autoren FuXi-CFD, ein System, das lernt, wie reale Landschaften den Wind umformen. Zunächst erzeugten sie eine umfangreiche Bibliothek hochaufgelöster Simulationen mithilfe der Computational Fluid Dynamics (CFD), einer bewährten Methode, die die Bewegungsgleichungen der Strömung direkt über detaillierten digitalen Gelände- und Rauigkeitskarten löst. Jeder simulierte Fall deckt ein neun mal neun Kilometer großes Gebiet im Südosten Chinas mit 30-Meter-Raster ab, wobei die Winde vom Boden bis in mehrere hundert Meter Höhe aufgelöst sind. Insgesamt erfassen mehr als 12.000 Simulationen — die Hunderte von tausend CPU-Stunden repräsentieren —, wie Winde auf unterschiedliche Geländeformen, Oberflächentypen und anströmende Richtungen und Geschwindigkeiten reagieren.

Ein Modell darauf trainieren, das Gelände zu "fühlen"

Aufbauend auf dieser Simulationsbibliothek trainierte das Team ein Deep-Learning-Modell, das als „Geländereaktions-Operator" fungieren soll. Der Input ähnelt dem, was moderne globale oder regionale KI-Wettersysteme liefern können: grobe horizontale Winde in etwa 100 Metern Höhe auf einem Kilometerraster sowie hochaufgelöste Karten von Höhe und Oberflächenrauigkeit. Aus diesen begrenzten Informationen sagt FuXi-CFD ein vollständiges dreidimensionales Windfeld in 30-Meter-Auflösung voraus, einschließlich horizontaler und vertikaler Windkomponenten sowie einer Maßzahl für Turbulenzintensität. Die Modellarchitektur, basierend auf einem vision-orientierten Transformer, ist darauf ausgelegt, langreichweitige Muster zu erfassen — etwa wie ein auflandiger Grat die Strömung mehrere Kilometer stromabwärts beeinflusst — und gleichzeitig scharfe lokale Merkmale wie Hangjets und Ablösungszonen zu respektieren.

Wie gut es in der Praxis funktioniert

Getestet an Geländestrukturen, die das Modell zuvor nie gesehen hatte, reproduzierte FuXi-CFD die detaillierten Muster der CFD-Simulationen mit beeindruckender Genauigkeit. Es erfasste Beschleunigungen über Graten, Kanal- und Umlenkungsströmungen in Tälern und die Art, wie sich Windmuster mit der Höhe glätten. Es schloss auch auf Vertikalbewegungen und turbulenzassoziierte Merkmale, obwohl als Eingabe nur horizontale Winde bereitgestellt wurden. Entscheidend ist, dass die Leistungsfähigkeit des Modells sich nicht auf die Eingabehöhe beschränkte, was darauf hindeutet, dass es eine kohärente dreidimensionale Struktur gelernt hat und nicht nur eine einzelne Schicht korrigiert. Im Vergleich zu mehreren gängigen Deep-Learning-Architekturen, die auf denselben Daten trainiert wurden, lieferte FuXi-CFD durchgehend kleinere Fehler und realistischere vertikale Profile.

Von Simulationen in China zu Messmasten in Europa

Um zu prüfen, ob dieser Ansatz außerhalb des Labors Bestand hat, validierten die Autorinnen und Autoren FuXi-CFD gegen Messungen von hohen meteorologischen Türmen in Europa, die Wind in mehreren Höhen über komplexem Gelände aufzeichnen. Obwohl das Modell nur an simulierten Winden über chinesischen Bergen trainiert wurde, schlug es sich an diesen europäischen Standorten gut und übertraf fortgeschrittene Baselines, die Wind vertikal aus groben globalen Reanalyse-Daten extrapolieren. Die Verbesserung war am deutlichsten bei stärkeren Winden und für Richtungen, bei denen das Gelände die Luft zum Ansteigen über Hänge oder zum Überströmen unregelmäßigen Geländes zwingt — genau die Situationen, die für Windenergieertrag und extreme Windgefahren am wichtigsten sind.

Was das für den Alltag bedeutet

Indem es Stunden aufwendiger CFD-Berechnungen auf Bruchteile einer Sekunde komprimiert, öffnet FuXi-CFD die Tür zu nahezu echtzeitfähigen, feinkörnigen Windkarten über rauem Gelände. Während das aktuelle System unter moderaten bis starken Windbedingungen am zuverlässigsten ist, bietet es bereits einen praktischen Weg zur Unterstützung von Turbinenstandortwahl, Leistungsprognosen, Vorhersagen zur Ausbreitung von Waldbränden und Sicherheitsbewertungen für tief fliegende Luftfahrzeuge und Infrastruktur. Zukünftige Erweiterungen, die Temperaturschichtung und sehr schwache Winde berücksichtigen, könnten den Anwendungsbereich erweitern, doch schon jetzt zeigt die Arbeit, wie physik-informiertes maschinelles Lernen die fehlenden Details zwischen globalen Vorhersagen und den komplexen, dreidimensionalen Winden ausfüllen kann, die Ereignisse am Boden tatsächlich formen.

Zitation: 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

Schlüsselwörter: Windvorhersage, komplexes Gelände, maschinelles Lernen, computational fluid dynamics, Windenergie