Восстановление мелкомасштабных 3D полей ветра с помощью машинного обучения, учитывающего рельеф

Почему ветер у поверхности важен

Ветер у земли вращает турбины, разносит лесные пожары и определяет, как шторма влияют на города и долины. Однако ежедневные погодные прогнозы обычно размывают резкие повороты и локальные ускорения ветра, возникающие при прохождении воздуха над холмами, гребнями и лесами. В этом исследовании представлен FuXi-CFD — новый инструмент, который объединяет физические симуляции и искусственный интеллект для воссоздания этих мелкомасштабных трёхмерных полей ветра на масштабе десятков метров — достаточно быстро, чтобы быть применимым в реальных задачах.

Скрытые закономерности ветра в неровном ландшафте

Стандартные погодные и ИИ-модели работают на километровом разрешении: это подходит для отслеживания крупных штормов, но слишком грубо, чтобы зафиксировать, как горы и долины перестраивают поток воздуха всего в нескольких десятках метров над землёй. В сложном рельефе ветер может ускоряться над гребнями, резко огибать склоны, образовывать струи в долинах и даже завихряться за крутыми холмами. Эти локальные явления часто совсем не похожи на сглаженные усреднённые поля, предсказываемые на километровых сетках. Для размещения турбин, оценки распространения пожаров или анализа поверхностного риска от штормов такие мелкие детали могут означать разницу между безопасным и небезопасным решением.

Сочетание тяжёлой физики и быстрого ИИ

Чтобы преодолеть этот разрыв, авторы создали FuXi-CFD — систему, которая учится тому, как рельеф изменяет поток ветра. Сначала они сгенерировали большую библиотеку высокодетализированных симуляций с использованием вычислительной гидродинамики (CFD) — методики, решающей уравнения движения жидкости на подробных цифровых картах рельефа и шероховатости поверхности. Каждая симуляция покрывает участок 9×9 км на юго-востоке Китая с шагом 30 метров, с разрешением ветра от поверхности до нескольких сотен метров высоты. В сумме более 12 000 симуляций — что соответствует сотням тысяч часов работы процессоров — показывают, как ветер реагирует на разные формы рельефа, типы поверхности и направления и скорости входящего потока.

Обучение модели “чувствовать” рельеф

На основе этой библиотеки команда обучила глубокую модель, задуманную как «оператор реакции на рельеф». Входные данные похожи на то, что могут дать современные глобальные или региональные ИИ-погодные системы: грубое горизонтальное поле ветра примерно на высоте 100 метров с шагом в один километр, а также высокоразрешённые карты высот и шероховатости поверхности. Из этой ограниченной информации FuXi-CFD предсказывает полное трёхмерное поле ветра с разрешением 30 метров, включая горизонтальные и вертикальные компоненты и меру интенсивности турбулентности. Архитектура модели, основанная на трансформере в стиле компьютерного зрения, приспособлена к улавливанию дальнодействующих закономерностей — например, как гребень по ветру влияет на поток на несколько километров вниз — при одновременном сохранении резких локальных особенностей, таких как струи на склонах и зоны отсепарации.

Насколько хорошо это работает в реальных условиях

При тестировании на формах рельефа, которых модель ранее не видела, FuXi-CFD воспроизводил детальные паттерны из CFD-симуляций с впечатляющей точностью. Модель улавливала ускорения над гребнями, каналы и повороты в долинах, а также то, как поля ветра сглаживаются с высотой. Она также восстанавливала вертикальные движения и особенности, связанные с турбулентностью, несмотря на то, что на вход подавались только горизонтальные ветры. Важно, что мастерство модели не разрушалось вдали от уровня входных данных, что указывает на то, что она изучила согласованную трёхмерную структуру, а не просто сделалa поправку одного слоя. По сравнению с несколькими распространёнными архитектурами глубокого обучения, обученными на тех же данных, FuXi-CFD последовательно показывала меньшие ошибки и более реалистичные вертикальные профили.

От симуляций в Китае до метео-вышек в Европе

Чтобы проверить работоспособность метода за пределами лаборатории, авторы валидаировали FuXi-CFD по измерениям с высоких метеорологических вышек в Европе, которые регистрируют ветер на нескольких высотах над сложным рельефом. Несмотря на то, что модель обучалась только на симулированных ветрах над китайскими горами, она показала хорошие результаты на европейских площадках, превосходя продвинутые базовые методы, которые экстраполируют ветер по вертикали из грубых глобальных реанализов. Улучшение было особенно заметно при сильных ветрах и для направлений, когда рельеф заставляет воздух подниматься по склонам или перелетать через неровную поверхность — именно в тех ситуациях, которые наиболее важны для выработки ветроэнергии и опасных экстремальных ветров.

Что это значит для повседневного применения

Сжимая часы тяжёлых CFD-вычислений в доли секунды, FuXi-CFD открывает путь к оперативным мелкомасштабным картам ветра над пересечённой местностью. Хотя текущая система наиболее надёжна при умеренном и сильном ветре, она уже предлагает практический инструмент для выбора мест под турбины, прогнозирования выработки мощности, оценки риска распространения пожаров и обеспечения безопасности низколетящих летательных аппаратов и инфраструктуры. Будущие расширения, учитывающие температурную стратификацию и очень слабые ветры, могут увеличить область применения, но и сейчас работа демонстрирует, как физически информированное машинное обучение может восполнить пробел между глобальными прогнозами и сложными трёхмерными ветрами, которые действительно формируют события на земле.

Цитирование: 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

Ключевые слова: прогнозирование ветра, сложный рельеф, машинное обучение, вычислительная гидродинамика, ветроэнергетика