En los campos de la simulación meteorológica y los gráficos por computadora, la simulación precisa de nubes ha sido un punto caliente de investigación reciente. Los métodos existentes de modelado de nubes a menudo ignoran las características diferenciadas de las capas de nubes a diferentes alturas y sufren de altos costos computacionales en condiciones de largo alcance, lo que los hace inadecuados para escenas a gran escala. Por lo tanto, proponemos un algoritmo de modelado de nubes 3D basado en un sistema de partículas de múltiples niveles, basado en el Modelo de Investigación y Pronóstico del Tiempo (WRF), que combina el ajuste del peso de las partículas con un mecanismo de retroalimentación Proporcional Integral Derivativo (PID) para representar características de nubes de diferentes alturas y tipos. Basado en el algoritmo de agrupamiento de media desplazada a múltiples escalas, se introduce la Estimación de Densidad de Núcleo Adaptativa (AKDE) para mapear la densidad a un ancho de banda, logrando un ajuste adaptativo del ancho de banda de agrupamiento mientras se reducen los recursos computacionales y se mejora la jerarquía de las nubes. Mientras tanto, seleccionar los puntos de control óptimos basados en la correlación entre la densidad de partículas en la región de borde y el contorno de la nube puede garantizar la integridad de la estructura interna de la nube y la claridad del contorno externo. Para mejorar la eficiencia del modelado, se diseñan curvas de Bezier en cascada en diferentes líneas de visión (LoSs), utilizando la información de peso de las partículas de frontera para optimizar los contornos de las nubes. Los resultados experimentales muestran que, en comparación con algoritmos similares, nuestro algoritmo reduce el tiempo de ejecución promedio en un 37.5%, lo que indica una mayor eficiencia computacional y capacidad en tiempo real, y el número promedio de partículas requeridas en un 30.1%, reduciendo el costo de la computación a largo alcance. Nuestro algoritmo puede demostrar completamente las características de las nubes y las diferencias entre capas, mejorar significativamente la eficiencia del modelado y puede ser utilizado para el modelado preciso de escenas de nubes a gran escala, proporcionando un fuerte apoyo para la predicción meteorológica y climática.