近日，复旦大学人工智能创新与产业研究院（简称“AI³院”）林晨森团队与李昊团队合作，在国际学术期刊《Nature Communications》发表研究论文《Reconstructing fine-scale 3D wind fields with terrain-informed machine learning》。研究团队创新性地将计算流体力学（CFD）与深度学习相结合，让AI"理解"地形对风场的作用，实现了复杂地形区域高分辨率三维风场的秒级重建。
从"公里级"到"十米级"：破解风场建模的尺度困局
在风能开发、低空飞行保障、山地灾害预警等场景中，风的细微变化往往决定成败。然而，现有天气预报模型的分辨率多在公里级，难以捕捉地形对风场的"微观改造"——坡面加速、山谷绕流、流动分离等现象，恰恰发生在数十米至数百米的尺度上。传统CFD模拟虽能刻画这些细节，但单次数小时的计算耗时，让其与实时预测无缘。
“这就像试图在一张模糊的地图上辨认街道的细节。” 如何突破"公里级"瓶颈，在精度与效率之间找到平衡，一直是微气象与风工程领域的核心难题。
技术创新：FuXi-CFD，让AI学会“读风”
面对这一挑战，研究团队开发了FuXi-CFD模型。其核心思路是：让高分辨率风场数据成为AI的"物理老师"。团队开展大规模CFD模拟，构建高质量的训练数据集，使AI模型能够学习大尺度风场与复杂地形共同作用下的气流响应规律——这不仅是数据拟合，更是对物理一致性的理解。经过训练的FuXi-CFD，不仅能精准预测水平风速，还能推断垂直风速及湍流等关键物理量，完整重建三维风场结构。
效率的提升堪称颠覆：传统CFD数小时的计算，被压缩至秒级完成。为验证模型的"真功夫"，团队在多个独立复杂地形区域开展测试，并将预测结果与实测风塔数据对比。结果显示，FuXi-CFD在不同地形、不同高度条件下均展现出优异的跨区域泛化能力。
应用场景：从风机选址到低空安全
这项成果的落地想象空间广阔。在风能领域，精细三维风场可助力更精准的风机选址与发电量评估；在低空经济中，可为无人机、飞行汽车提供局地风场"导航"，提升飞行安全；在应急场景下，也能为山地火灾蔓延模拟、污染物扩散分析等提供关键输入。
“这就像在汽车时代来临前，不是去造更快的马车，而是去想象汽车的样子。”正如AI³院院长漆远教授对前沿探索的形象比喻，这项研究正在打开一扇新的大门——让AI 学会"读风"（read the wind），也为AI for Science在气象与地球科学领域的应用提供了新的范本。
