地形情報を取り入れた機械学習による微細スケール3D風場の再構築

地表付近の風が重要な理由

地表付近の風は風力タービンを回し、山火事を拡大させ、嵐が都市や谷に与える影響を決めます。ところが日常的に目にする気象予報は、丘陵や尾根、森林を越える際に風がとる鋭い曲がりやねじれをぼかしてしまいがちです。本研究はFuXi-CFDという新しい手法を紹介します。これは物理ベースのシミュレーションと人工知能を組み合わせ、数十メートルスケールの微細で三次元的な風のパターンを再現するもので、実際の意思決定に間に合うほど高速に処理できます。

荒れた地形に隠れた風のパターン

従来の気象モデルやAIによる予報はキロメートルスケールの解像度で動作するため、大きな嵐の追跡には適していますが、地上数十メートルの空気の挙動を山や谷がどう変えるかを捉えるには粗すぎます。複雑な地形では、尾根で風が加速したり、斜面で鋭く屈曲したり、谷でジェット状に流れたり、急峻な丘の背後で逆流することさえあります。これらの局所的な挙動はキロメートルスケールで予測される滑らかで平均化された風とまったく異なることが多いのです。風力タービン設置、山火事の拡大推定、地表近傍の嵐リスク評価では、こうした微細な違いが安全な設計と危険な設計の境目を左右します。

本格的な物理と高速AIの融合

このギャップを埋めるために、著者らはFuXi-CFDを開発しました。これは実際の地形が風をどう変えるかを学習するシステムです。まず計算流体力学（CFD）を用いて高解像度の大量シミュレーションライブラリを生成しました。CFDは流体運動の方程式を詳細な地形や表面粗さの地図上で直接解くゴールドスタンダードの手法です。各ケースは中国南東部の9×9キロメートル領域を30メートル間隔でカバーし、地表から数百メートルまでの風を解像しています。合計で1万2千件以上のシミュレーションが、数十万CPU時間に相当する計算を通じて、地形形状、地表種別、入射流の方向や速度に対する風の応答を捉えました。

地形を“感じる”モデルの教育

このシミュレーションライブラリの上に、著者らは「地形応答オペレーター」として機能する深層学習モデルを訓練しました。入力は、現代のグローバルまたは領域的なAI気象システムが提供できるものに近く、1キロメートル格子上の約100メートル高さでの粗い水平風と、高解像度の標高および表面粗さ地図です。この限られた情報から、FuXi-CFDは水平方向と鉛直方向の風、ならびに乱流強度の指標を含む、30メートル解像度の完全な三次元風場を予測します。モデルアーキテクチャはビジョン系トランスフォーマーに基づいており、上流の尾根が数キロメートル下流の流れに与える影響のような長距離のパターンを捉えつつ、斜面ジェットや分離域のような鋭い局所特徴も尊重するように設計されています。

実環境での有効性

未知の地形形状で試験したところ、FuXi-CFDはCFDシミュレーションの詳細なパターンを高い精度で再現しました。尾根での速度増加、谷での流れの導管化や曲がり、そして高度とともに風のパターンが平滑化される様子をとらえました。入力として水平風のみが与えられているにもかかわらず、鉛直運動や乱流に関連する特徴も推定しました。重要なのは、モデルの技能が入力高さ層から離れても崩れなかったことで、単一層の補正を行っているのではなく、一貫した三次元構造を学んでいることを示唆します。同じデータで訓練した複数の一般的な深層学習アーキテクチャと比べても、FuXi-CFDは一貫して誤差が小さく、より現実的な鉛直プロファイルを示しました。

中国のシミュレーションからヨーロッパの塔へ

この手法が実環境でも通用するかを確かめるため、著者らは複数高度で風を観測するヨーロッパの高塔の計測データと照らし合わせてFuXi-CFDを検証しました。モデルは中国の山岳地帯でのシミュレーションのみで訓練されていましたが、ヨーロッパの観測サイトでも良好に機能し、粗いグローバル再解析データから鉛直方向を外挿する高度なベースライン手法よりも優れた性能を示しました。改善効果は特に強風時と、地形が空気を斜面に登らせたり不整地を越えさせたりする方向で顕著でした。これは風力発電量や極端風害にとって最も重要な状況です。

日常利用への意味

何時間もかかる重厚なCFD計算を一瞬に圧縮することで、FuXi-CFDは険しい地形上での準リアルタイムな微細風マップの実現を可能にします。現時点のシステムは中〜強風条件で最も信頼性が高いものの、既にタービン配置、発電予測、山火事リスク予測、低空飛行機やインフラの安全評価を支援する実用的な手段を提供しています。温度の層構造や非常に弱い風を考慮する将来の拡張は適用範囲を広げるでしょうが、それでも本研究は物理を意識した機械学習が、グローバル予報と地表で実際に事象を形作る複雑な三次元風との間の欠落した詳細を埋められることを示しています。

引用: 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

キーワード: 風予測, 複雑な地形, 機械学習, 計算流体力学, 風力エネルギー