一种用于预测行人层城市风的层次化深度学习模型

《BUILDING AND ENVIRONMENT》：A Hierarchical Deep Learning Model for Predicting Pedestrian-Level Urban Winds

针对传统深度学习模型在城市风场预测中高频率细节缺失的问题，本研究提出分层预测-精炼框架，采用U-Net生成低频基础预测，并通过条件生成对抗网络（cGAN）恢复高频湍流特征。在UrbanTALES数据集验证表明，该模型显著提升预测精度（RMSE降低76%-60%），并成功保持大尺度流动结构与小尺度湍流特征的平衡。

　　

Reda Snaiki|Jiachen Lu|Shaopeng Li|Negin Nazarian

魁北克大学高等技术学院建筑工程系，蒙特利尔，魁北克省，加拿大

摘要

基于深度学习的替代模型为预测城市风场提供了一种计算效率较高的方法，可以替代高保真计算流体动力学（CFD）模拟。然而，传统方法通常只能得到低频预测结果（基本上是附近像素的平均值），忽略了诸如尖锐梯度和高风速等关键的高频细节。本研究提出了一种分层方法，用于准确预测行人级别的城市风场，该方法采用了两阶段预测-细化框架。在第一阶段，U-Net架构根据城市几何形状生成一个基线预测；在第二阶段，条件生成对抗网络（cGAN）通过恢复缺失的高频内容来细化这个基线。cGAN的生成器采用了多尺度架构，并具有逐步变化的核大小，从而能够同时学习全局流动结构和细粒度的局部特征。该模型在包含多种城市布局的UrbanTALES数据集上进行了训练和验证，其性能显著优于基线预测器。与单阶段cGAN（直接将几何形状映射到LES场）和仅使用L1损失进行训练的分层CNN细化器相比的消融研究表明，两阶段设计和对抗性目标都是实现预期精度提升的必要条件。在解析高速风射流、复杂湍流尾流以及风速统计特性方面，该模型取得了显著的定性改进，同时也在预测精度上实现了定量提升（例如，训练集的RMSE降低了76%，验证集降低了60%）。这项工作为提高替代模型在城市规划、行人舒适度评估和风安全分析中的预测精度提供了一种有效且稳健的方法。所提出的模型将作为Feilian Version 2集成到交互式Web平台中。

引言

准确描述城市树冠内的风场特性是环境工程和城市规划中的一个长期挑战，这对行人舒适度、污染物扩散以及建筑物和城市基础设施的结构安全具有直接影响[2,32]。历史上，主要使用了三种方法来研究这一复杂现象：现场测量、风洞实验和计算流体动力学（CFD）模拟[17,34,60]。现场测量依赖于风速计、超声波传感器和地方气象站等固定传感器的数据，能够提供高精度的真实数据[14,29]。然而，这些基于点的数据往往过于稀疏，无法解析城市风的复杂空间变化。风洞实验为研究缩比模型周围的流动提供了受控环境，但可能会受到缩放不确定性和复制真实大气条件的限制[36]（Shen等人，2020年；Chen等人，2022年；[23]）。近年来，CFD模拟[20,22,40,41,47]，特别是高保真方法如大涡模拟（LES）[42]，已成为生成城市风场综合三维数据集的最先进技术[2,5,26]和[25,44]。尽管这些基于物理的模拟非常准确，但由于其巨大的计算成本（通常需要数小时甚至数天的高性能计算才能完成单个场景的模拟），因此不适用于需要快速设计迭代或大规模分析的应用。

CFD的计算瓶颈促使人们开发了基于机器学习的替代模型，这些模型以较低的成本模拟基于物理的求解器的输入-输出映射[4,46,51,54]。这些模型在从基础方法（如k-最近邻（kNN）[1]）发展到更复杂的深度学习框架（[11,21,50],[52],[53],[54]）的过程中迅速发展。卷积神经网络（CNN），特别是U-Net架构，已成为将城市几何形状映射到风场预测的标准方法[27,49]。更先进的范式包括傅里叶神经运算符（FNOs），它们在频率域中学习分辨率不变的运算符，以提高效率和泛化能力[38,39]（Tian等人，2026年），以及物理信息神经网络（PINNs）[9,16]，这些网络将控制性的纳维-斯托克斯方程直接嵌入学习过程中，以确保物理一致性并减少对大规模数据的依赖。此外，图神经网络（GNNs）是一种适用于城市环境不规则拓扑结构的新兴方法，在相关预测任务中表现出与CNN相当的性能[57]。特别是在城市风场预测领域，Liu等人[24]使用了一种具有记忆扩展能力的图神经网络，该网络能够在模拟域扩大时保持稳定的GPU内存使用。Shao等人[43]开发了一种物理信息图神经网络，能够在基于CFD的训练数据中满足控制性的RANS方程。Milla-Val等人[30]使用条件生成对抗网络，利用较粗糙的数值天气预测数据输入，预测出具有CFD级别分辨率的详细局部风场。Zhao等人[59]训练图神经网络，直接将稳定的RANS结果映射到时间平均的LES目标。Calzolari和Liu[7]利用物理约束条件生成对抗网络，学习从早期流场到统计稳态对应关系的映射，这也显示了基于图的模型相比卷积模型的性能提升。Clarke等人[11]引入了一种多层感知器（MLP）-混合器架构，通过2D输入通道嵌入关键的3D建筑数据，其性能优于传统的U-Net模型。关于现有文献的更全面分析可以在两篇综述论文[6,10]中找到。这些进展使得预测速度比传统求解器快几个数量级，同时与CFD生成的真实数据保持高度一致。尽管如此，仍存在一个持续存在的问题[28]：基于像素的回归模型倾向于产生过于平滑的预测结果，将风速分布压缩到理想化城市阵列的模式上，甚至抹去了现实城市社区中的局部极端值，而这些对于评估建筑环境中的风极端情况至关重要。

为了解决这一研究空白，本文介绍了一种新颖的两阶段分层预测-细化模型，显著提高了替代模型预测的准确性。第一阶段使用基于U-Net的预测器根据城市几何形状生成一个稳定、低频的基线；第二阶段应用条件生成对抗网络（cGAN）作为细化器，恢复基线中缺失的高频细节。cGAN的生成器采用了多尺度架构和逐步变化的核大小，使其能够捕捉到大尺度流动结构和小尺度湍流特征以及风速极端值。该分层模型在高分辨率的UrbanTALES数据集[35]上进行了训练和验证，该数据集涵盖了理想化建筑阵列和真实城市社区的中性模拟。其性能与Lu等人[28]的原始U-Net模型进行了比较，并进一步与两个额外的基线进行了基准测试：一个直接将几何形状映射到LES的单阶段cGAN，以及仅使用L1损失进行训练的分层CNN细化器。所提出的模型命名为Feilian Version 2，将作为改进版的Feilian Version 1集成到http://feilian.climate-resilientcities.com/交互式Web平台中。

方法论

本节详细介绍了用于提高城市风场替代模型预测准确性的方法论。目标是开发一种分层深度学习模型，能够准确高效地预测1.5米高度处的2D行人级风速场。该框架首先生成一个稳健的基线预测[28]，然后使用生成对抗网络对其进行细化，以模拟LES的高保真细节。以下小节将详细介绍这一过程

结果

本节对所提出的两阶段预测-细化框架进行了全面评估。该模型的性能在多种测试案例中进行了评估，包括多样化的真实世界城市布局和简化的理想化几何形状。还研究了模型对来流风向变化的鲁棒性。评估结合了与LES真实数据的定性视觉比较以及使用标准误差指标的定量分析。

讨论

本研究表明，将替代任务分解为两阶段预测-细化框架显著提高了城市风场估计的准确性。第一阶段的U-Net提供了快速、物理上合理的基线，保留了大尺度流动结构；而第二阶段的条件GAN（Pix2Pix与PatchGAN）专注于恢复缺失的高频内容。从计算角度来看，这种分层替代模型相对于底层的LES求解器来说仍然较为轻量级。

结论

本研究提出了一种两阶段深度学习模型，用于城市风场预测，该模型将U-Net预测器与Pix2Pix cGAN细化器相结合。第一阶段提供了快速、物理上合理的基线，保留了大尺度流动结构；第二阶段专注于重建被基于回归的替代模型系统性地平滑掉的高频内容。该模型在UrbanTALES数据集上进行了训练和验证

未引用参考文献

[8,33,45,48]

CRediT作者贡献声明

Reda Snaiki：撰写——原始草稿、可视化、验证、方法论、概念化。Jiachen Lu：撰写——审阅与编辑、数据整理、概念化。Shaopeng Li：撰写——审阅与编辑、概念化。Negin Nazarian：撰写——审阅与编辑、数据整理、概念化。