用地形信息化机器学习重建细尺度三维风场

近地面风为何重要

靠近地面的风力驱动涡轮机、推动野火蔓延，并决定风暴如何影响城市和山谷。然而，我们日常看到的天气预报通常会模糊掉风在穿越丘陵、山脊和森林时的急剧变化。本文介绍了 FuXi-CFD，一种将基于物理的模拟与人工智能相结合的新工具，用以重建数十米尺度上的细尺度三维风场——速度足够快，可以用于实际决策。

崎岖地形中的隐蔽风场

常规的天气和 AI 预报模型通常以千米级分辨率运行，这对于追踪大尺度风暴是足够的，但过于粗糙，无法捕捉山脉和山谷如何重塑地面上几十米高处的气流。在复杂地形中，风会在山脊上加速、沿坡面急剧弯曲、在山谷中形成通道风，并在陡峭的后坡出现回流。这些局地现象常常与千米尺度上预测的平滑平均风场截然不同。对于选择风电场址、估算野火蔓延或评估近地面风暴风险，这些小尺度细节往往决定了设计的安全性与否。

将重型物理与快速 AI 结合

为弥合这一差距，作者们开发了 FuXi-CFD——一个学习真实地形如何重塑风场的系统。他们首先使用计算流体力学（CFD）生成了一个大规模的高分辨率模拟库。CFD 是直接求解流体运动方程的黄金标准方法，基于详细的数字地形和表面粗糙度进行计算。每个模拟案例覆盖中国东南部九乘九公里的区域，网格间距为 30 米，高度上解析到地表几百米。总计超过 12,000 个模拟案例——累计数十万 CPU 小时——捕捉了风对不同地形形状、表面类型，以及来流方向和速度的响应。

教模型“感受”地形

在这个模拟库之上，研究团队训练了一个深度学习模型，旨在充当“地形响应算子”。输入类似于现代全球或区域 AI 天气系统可提供的数据：在约 100 米高度的粗糙水平风场（千米网格），以及高分辨率的高程和表面粗糙度图。从这些有限信息出发，FuXi-CFD 预测出 30 米分辨率的完整三维风场，包括水平和垂直风分量以及湍流强度的度量。该模型的架构基于类视觉 Transformer，专门设计用于捕捉远程影响（例如迎风山脊如何在数公里下游影响气流），同时保留陡峭的局地特征，如坡面喷流和分离区。

在真实世界中的表现如何

在从未见过的地形形状上测试时，FuXi-CFD 能够以令人印象深刻的精度再现 CFD 模拟中的细节。它捕捉到了山脊上的加速、山谷中的引导与转向，以及随高度平滑化的风场特征。尽管输入仅包含水平风，模型还推断出垂直运动和与湍流相关的特征。关键在于，模型的技能不会在输入高度层之外迅速失效，这表明它学会了连贯的三维结构，而不仅仅是对单层的修正。与在相同数据上训练的几种常见深度学习架构相比，FuXi-CFD 持续表现出更小的误差和更现实的垂直剖面。

从中国的模拟到欧洲的观测塔

为了检验该方法在实验室之外的适用性，作者们将 FuXi-CFD 在欧洲的高空气象塔观测数据上进行了验证，这些塔在复杂地形上记录了多个高度的风。尽管模型仅在中国山区的模拟风场上训练，但在这些欧洲站点上表现良好，优于那些基于粗糙全球再分析数据进行垂直外推的先进基准方法。改进在强风条件下和地形迫使气流攀升或越过不规则地面的风向上尤为明显——这些正是对风能产出和极端风危害最关键的情形。

对日常应用的意义

通过将数小时的重型 CFD 计算压缩到秒级的推断中，FuXi-CFD 为在崎岖地形上生成近实时细尺度风图打开了大门。虽然当前系统在中强风条件下最为可靠，但它已经为支持涡轮机选址、发电量预报、野火风险预测以及低空飞行器和基础设施的安全评估提供了实用手段。未来若将温度分层和极弱风况纳入模型，应用范围还可进一步扩大，但即便在现在，这项工作也展示了物理知情机器学习如何填补全球预报与实际影响地面的复杂三维风场之间的空白。

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

关键词: 风力预报, 复杂地形, 机器学习, 计算流体力学, 风能