La seguridad de los vuelos es central en el proceso de certificación y se basa en métodos de evaluación que proporcionan evidencia aceptable para los reguladores. Para los drones que operan como plataformas de Movilidad Aérea Avanzada (AAM), esto requiere una representación precisa de los complejos campos de viento en áreas urbanas. Las simulaciones de grandes remolinos (LES) de tales entornos generan conjuntos de datos que van desde cientos de gigabytes hasta varios terabytes, imponiendo altas demandas de almacenamiento y limitando el uso en tiempo real en marcos de simulación. Para abordar este desafío, aplicamos un Autoencoder Convolucional (CAE) para comprimir una sección de 40 m de profundidad de un campo de viento LES. El tamaño del conjunto de datos se redujo de 7.5 GB a 651 MB, lo que corresponde a una relación de compresión del 91%, manteniendo los errores de magnitud máxima dentro de unas pocas décimas de la velocidad del viento espacio-temporal. Las respuestas de los vehículos predichas mostraron solo diferencias marginales, con un estrecho acuerdo entre las reconstrucciones completas de LES y CAE. Estos hallazgos demuestran que los CAE pueden reducir significativamente el costo computacional de la integración de campos de viento urbanos sin comprometer la fidelidad, lo que permite el uso de dominios más grandes en tiempo real y apoya el intercambio eficiente de modelos de perturbación en estudios colaborativos.