FuXi-CFD：突破 30 米禁区，地形感知的 3D 风场重建新纪元

TL;DR

传统的公里级天气预报在面对复杂地形时往往“视而不见”，导致山区的风速预测偏差巨大。本文提出的 FuXi-CFD 框架通过学习数万例 CFD (计算流体力学) 仿真数据，成功将 31 公里的粗糙预报数据实时“翻译”成 30 米分辨率的精细 3D 风场。它不仅算得准，而且比传统物理模拟快了三个数量级（秒级出图）。

现状与挑战：消失的微尺度特征

在全球气候模型（如 ECMWF IFS）中，地形往往被平滑化。然而在现实中，山脉和深谷会产生显著的动力反馈：

• 加速效应：山脊处的风速会因地形抬升急剧增加。
• 流向偏转：气流在峡谷中会发生复杂的转向。
• 3D 属性：传统方法常把风场看作 2D 平面，但地形激发的垂直气流（Updraft/Downdraft）和湍流对风机安全和山火蔓延至关重要。

现有的机器学习下尺度化工作（Super-resolution）大多只是机械地增加像素，缺乏对流体动力学算子的本质理解。

核心思路：让 AI 学习“流体力学算子”

FuXi-CFD 的核心贡献在于将 物理仿真精度 与 深度学习效率 的完美融合。

1. 物理知情数据集的构建

作者利用 RANS（雷诺平均纳维-斯托克斯）方程，针对中国东南地区的实际地形生成了 12,000 多个高精度样本。每个样本包含 30 米分辨率的地形高度、表面粗糙度以及完整的 3D 速度矢量（u, v, w）和湍流动能（k）。

2. 地形感知架构 (Terrain-aware Architecture)

模型采用了基于 Vision Transformer (ViT) 的架构，能够捕捉全球尺度边界条件与局部精细地形之间的长程空间依赖。 上图展示了 FuXi-CFD 的端到端流程：输入粗尺度风速和高精度地形，通过共享 Encoder 提取特征，最后由四个分支解码出 3D 空间的物理变量。

实验战绩：从小时级到秒级的飞跃

精度对标 CFD 真值

在面对完全陌生的地形时，FuXi-CFD 重建的水平风场（u, v）几乎与极其耗时的 CFD 仿真结果重合。即便是不在输入信息中的垂直风 (w) 和湍流 (k)，模型也能通过地形约束精准“推测”出来。 散点图显示：水平风分量（u, v）紧贴 1:1 线，即使在 10m-100m 不同高度，精度依旧稳健。

跨地域验证：从中国到欧洲

虽然模型是在中国地形上训练的，但它在欧洲 OPE 铁塔的实测表现依然亮眼。特别是在 中高风速区间，FuXi-CFD 显著降低了预测误差。这意味着该模型学到的是具有通用性的“地形-流体”交互物理算子，而非简单的模式记忆。

深度洞察

FuXi-CFD 的成功验证了一个关键技术趋势：AI 替代数值模拟 (Surrogate Modeling) 在微尺度气象中已具备实用价值。

• 为什么有效？ 因为近地层风场在强风条件下主要受地形机械强迫驱动，这种强迫具有很强的几何统计规律，正是 Transformer 擅长建模的。
• 局限性：目前模型基于“中性大气假设”，即忽略了昼夜温差带来的热力分层。在微风、热力对流显著的场景下，仍需引入温度场作为额外约束。

总结

FuXi-CFD 为风能资源评估、无人机低空飞行安全、乃至山火蔓延模拟提供了一种革命性的实时工具。它证明了即使在复杂的地球物理领域，只要有高质量的物理仿真数据“喂养”，端到端的神经算子（Neural Operator）完全能够胜任传统数值方法的重任。