Återskapa finskaliga 3D-vindfält med terränginformerad maskininlärning

Varför vinden nära marken spelar roll

Vinden nära markytan driver turbiner, driver fram skogsbränder och avgör hur stormar påverkar städer och dalgångar. Ändå suddar de väderprognoser vi ser dagligen ofta över de skarpa svängar och vridningar som vinden gör när den stryker över kullar, åsar och skogspartier. Den här studien presenterar FuXi-CFD, ett nytt verktyg som förenar fysikbaserade simuleringar med artificiell intelligens för att återskapa dessa finskaliga, tredimensionella vindmönster i tiotals meters skala — tillräckligt snabbt för att vara användbart i verkliga beslutsprocesser.

Dolda vindmönster i kuperad terräng

Standardmodeller för väder och AI-baserade prognoser arbetar i kilometerskala, vilket är bra för att följa stora stormsystem men för grovt för att fånga hur berg och dalar formar luften bara några tiotals meter ovanför marken. I komplex terräng kan vinden accelerera över åsar, böja sig skarpt runt sluttningar, bilda jetströmmar i dalgångar och till och med cirkulera bakåt bakom branta kullar. Dessa lokala beteenden liknar ofta inte alls de jämna, medelvindar som prognoser i kilometerskala ger. För placering av vindkraftverk, uppskattning av brandspridning eller bedömning av stormrisk nära markytan kan sådana småskaliga detaljer avgöra skillnaden mellan en säker och en osäker lösning.

Att kombinera tung fysik med snabb AI

För att överbrygga detta gap skapade författarna FuXi-CFD, ett system som lär sig hur verklig terräng omformar vinden. De genererade först ett mycket stort bibliotek av högupplösta simuleringar med beräkningsfluiddynamik (CFD), en guldkantsmetod som direkt löser rörelsens ekvationer för fluider över detaljerade digitala kartor över terräng och ytsträvhet. Varje simulerat fall täcker ett nio gånger nio kilometers område i sydöstra Kina med 30 meters upplösning, med vindar lösta från markytan upp till några hundra meter höjd. Totalt fångar mer än 12 000 simuleringar — motsvarande hundratusentals CPU-timmar — hur vinden svarar på olika terrängformer, yttyper samt inkommande flödesriktningar och hastigheter.

Att lära en modell att känna terrängen

Ovanpå detta simuleringsbibliotek tränade teamet en djupinlärningsmodell utformad att fungera som en "terräng-responsoperator." Ingången liknar det som moderna globala eller regionala AI-vädersystem kan förse: grov horisontell vind vid cirka 100 meters höjd på ett kilometersnät, plus högupplösta kartor över höjd och ytsträvhet. Från denna begränsade information förutsäger FuXi-CFD ett komplett tredimensionellt vindfält i 30 meters upplösning, inklusive horisontella och vertikala vindar samt ett mått på turbulensintensitet. Modellarkitekturen, baserad på en vision-liknande Transformer, är anpassad för att plocka upp långväga mönster — såsom hur en uppvindsås påverkar flödet flera kilometer nedströms — samtidigt som den hedrar skarpa lokala funktioner som sluttjetskikt och separationszoner.

Hur väl det fungerar i verkligheten

När den testades på terrängformer den aldrig tidigare sett återgav FuXi-CFD de detaljerade mönstren från CFD-simuleringarna med imponerande noggrannhet. Den fångade accelerationer över åsar, kanaliserande och svängande flöden i dalgångar samt hur vindmönster jämnas ut med höjden. Den härledde också vertikala rörelser och turbulensrelaterade egenskaper, trots att endast horisontella vindar gavs som indata. Avgörande var att modellens skicklighet inte kollapsade bort från indatahöjdsnivån, vilket tyder på att den lärt sig en koherent tredimensionell struktur snarare än att bara göra en enkel ettlagskorrigering. Jämfört med flera vanliga djupinlärningsarkitekturer tränade på samma data levererade FuXi-CFD konsekvent mindre fel och mer realistiska vertikala profiler.

Från simuleringar i Kina till torn i Europa

För att se om metoden håller utanför labbet validerade författarna FuXi-CFD mot mätningar från höga meteorologiska torn i Europa, som registrerar vind på flera höjder över komplex terräng. Trots att modellen bara tränats på simulerade vindar över kinesiska berg presterade den väl på dessa europeiska platser och överträffade avancerade jämförelsemetoder som extrapolerar vind vertikalt från grov global reanalysdata. Förbättringen var mest utpräglad för starkare vindar och för riktningar där terrängen tvingar luften att stiga längs sluttningar eller passera över ojämn mark — precis de situationer som betyder mest för vindenergiskörd och extrema vindfaror.

Vad detta betyder för vardaglig användning

Genom att komprimera timmars tung CFD-beräkning till bråkdelar av en sekund öppnar FuXi-CFD dörren till närapå realtids, finskaliga vindkartor över kuperad terräng. Medan det nuvarande systemet är mest pålitligt under måttliga till starka vindförhållanden erbjuder det redan ett praktiskt sätt att stödja turbinputplacering, effektprognoser, bedömning av skogsbrandsrisk och säkerhetsbedömningar för lågflygande luftfart och infrastruktur. Framtida utvidgningar som tar hänsyn till temperaturstratifiering och mycket svaga vindar skulle kunna bredda dess användningsområde, men redan nu visar arbetet hur fysikinformerad maskininlärning kan fylla i de saknade detaljerna mellan globala prognoser och de komplexa, tredimensionella vindar som faktiskt formar händelser på marken.

Citering: 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

Nyckelord: vindprognoser, komplex terräng, maskininlärning, beräkningsfluiddynamik, vindenergi