WindSeer: 实时复杂地形下小型无人机的体积风预测
内容提要
该文综述深度学习在风能与气象领域的应用，涵盖：用神经网络将低分辨率风场提升为高分辨率三维速度场，效果优于三线性插值；变分数据同化与深度学习结合的海面风速重建框架；Windformer通过分窗与移窗建模风速变化，MSE降低2至15个百分点；Pangu-Weather实现全球天气预报并超越传统数值方法；物理信息SR-GAN将三维风场分辨率提升9倍；以及基于少量压力传感器的气动力预测、深度知识学习风速功率预测、U-Nets风暴垂直速度评估和风速时空预测等研究。
延伸解读
从风电场到无人机：风预测技术的迁移潜力
文章列举的多项研究虽以风电场或全球气象为场景，但其核心方法——如低分辨率风场提升、Windformer的动态建模、SR-GAN的超分辨率——在原理上可迁移至复杂地形下的小型无人机风预测。不过，这些方法多依赖特定数据源（如雷达、数值模式输出），直接用于无人机机载实时预测仍需解决传感器数据稀疏和计算资源受限的问题。
物理信息与数据驱动的融合趋势
文中多项工作体现了物理知识与深度学习的结合：物理信息SR-GAN在超分辨率中引入物理约束，压力传感器模型包含线性项与非线性校正，物理信息神经网络用于功率曲线回归并估计不确定性。这种融合有助于提升模型在数据稀缺或分布外场景的可靠性，对无人机在复杂地形下的风预测尤为重要，因为纯数据驱动模型可能难以泛化到未见过地形。
实时性挑战：计算成本与精度的权衡
文章提到SR-GAN将三维风场分辨率提升9倍并大幅降低模拟计算成本，Pangu-Weather实现快速全球预报，Windformer在提高精度的同时MSE降低2至15个百分点。这些进展表明深度学习在效率上有优势，但无人机实时预测要求毫秒级响应，需进一步轻量化模型。此外，部分方法依赖对抗训练或大量预训练，部署时需评估其实际延迟与能耗。
Q&A
WindSeer 在风场超分辨率方面有什么效果？
WindSeer 利用神经网络将低分辨率风场提升为高分辨率风场，在挪威 Bessaker 风电场实测中成功重构了完全解析的三维速度场，且效果优于三线性插值。
Windformer 是如何提高风速预测准确性的？
Windformer 将风力涡轮群体分为多个非重叠窗口，计算窗口内相关性，然后部分移动窗口以连接窗口间信息，并融合多通道特征动态建模风速变化，从而将平均均方误差降低 2 到 15 个百分点。
Pangu-Weather 在天气预报上取得了什么突破？
Pangu-Weather 是基于深度学习的全球天气预报系统，利用大量数据和深度神经网络，其预报准确度超越了传统的数值天气预报方法。
SR-GAN 如何提升三维风场分辨率？
SR-GAN 是一种基于物理信息的超分辨率生成对抗网络，可将低分辨率三维风场提升 9 倍，获得高保真风场数据，并大幅降低高分辨率风场模拟的计算成本。
如何用少量压力传感器预测无人机气动力？
该研究提出一种数据驱动模型，包含线性项和非线性校正：线性项通过减少的基础重构预测表面压力分布，非线性项是视情况而定的人工神经网络以提高精度，在模拟和实验数据中验证了快速准确预测无人机气动力。
深度学习如何用于风暴垂直速度评估？
研究使用机器学习模型 U-Nets 从三维雷达反射率中提取最大垂直速度及其面积范围，以评估风暴的严重潜力。
