Rooftop Wind Field Reconstruction Using Sparse Sensors: From Deterministic to Generative Learning Methods¶

会议: CVPR 2026
arXiv: 2603.13077
代码: github.com/Yng314/windreconstruction
领域: 其他 / 流体重建
关键词: 风场重建, 稀疏传感器, UNet, ViTAE, CWGAN, PIV实验数据, 传感器优化

一句话总结¶

建立基于PIV风洞实验数据的学习-观测框架，系统比较Kriging插值与三种深度学习模型（UNet/ViTAE/CWGAN）在5–30个稀疏传感器下的屋顶风场重建能力，揭示混合风向训练（MDT）下深度学习一致优于Kriging（SSIM提升18–34%），并通过QR分解优化传感器布局提升系统鲁棒性达27.8%。

研究背景与动机¶

领域现状：屋顶空间承载无人机/UAM起降、太阳能板、HVAC等日益增长的功能，实时全场风信息对安全运营至关重要。然而屋顶流场高度复杂——受建筑几何效应影响，呈现分离流、锥形涡旋和跨方向变异性。传统CFD计算成本高且缺乏实时能力，实际传感器部署又极其稀疏。

现有痛点： - 现有研究普遍依赖CFD模拟数据训练，不捕获真实测量噪声和湍流特性→模型在真实部署时可能失效 - 大多数研究仅单一网络架构评估，缺乏不同DL方法的系统性对比 - 方向特定训练（仅在单一风向上训练测试）限制了跨方向泛化能力 - 传感器布局多采用均匀网格，缺乏数据驱动的优化

本文切入角度：首次使用真实PIV风洞实验数据，系统比较传统Kriging与三种代表性DL架构（确定性UNet、混合ViTAE、生成式CWGAN），在两种训练策略（单方向SDT/混合方向MDT）、六种传感器密度（5–30）、传感器位置扰动和QR优化布局等多维度进行全面基准测试。

方法详解¶

整体框架¶

PIV风洞实验数据（15×15网格，u/v两个速度分量）→ 稀疏传感器采样（Voronoi均匀布局或QR优化布局）→ 四种重建方法 → SSIM/NMSE/FAC2/MG四个评估指标。输入维度为15×15×3（u速度、v速度、传感器掩码），输出为15×15×2（重建的u/v速度场）。

实验数据来自东京大学工业科学研究所的边界层风洞，测试对象为1:200缩尺矩形建筑模型（高宽长比1:1:2），在0°、22.5°和45°三个来流风向下，使用PIV获取屋顶平面（z/H=1.05）的瞬时速度场，时间分辨率0.001s，空间分辨率0.035H。每次8秒采集产生7999个时间快照。

关键设计¶

四种对比方法的互补设计：
- Kriging插值：传统地统计方法，高斯变差函数（相关长度0.5–10.0网格单元），零nugget效应强制精确插值，依赖空间平稳性假设，作为基线
- UNet（472K参数/0.03 GFLOPs）：编码器-解码器+跳跃连接，确定性映射，3层下采样（16→8→4→2），滤波器从32递增到128通道，1×1卷积输出
- ViTAE（467K参数/0.02 GFLOPs）：Transformer+CNN混合架构，3×3 patch切分产生25个patch，线性投影到64维，8层Transformer编码器（8头注意力），CNN解码器恢复空间分辨率
- CWGAN（8.77M参数/1.3 GFLOPs）：条件Wasserstein GAN，生成器为UNet架构（64→128→256通道），判别器用步进卷积+LeakyReLU，去除sigmoid以适配Wasserstein距离
- 设计动机：三种DL架构分别代表确定性映射、混合注意力和生成对抗三种建模哲学
SDT vs MDT两种训练策略：
- SDT（单方向训练）：仅用0°风向三次实验训练，在22.5°和45°上测试跨方向泛化
- MDT（混合方向训练）：每个风向取一次实验（\(\mathcal{D}_{0°}^{(1)}, \mathcal{D}_{22.5°}^{(1)}, \mathcal{D}_{45°}^{(1)}\)）训练，其余独立实验测试
- 数据按独立实验实现划分而非随机快照采样，不同实现之间无时间连续性→防止时间泄漏
- 设计动机：实际部署中风向多变，MDT评估模型在真实场景中的泛化能力
QR分解传感器位置优化：
- 对训练数据构建风场数据矩阵 \(\mathbf{Y} \in \mathbb{R}^{N \times 450}\)，中心化后SVD提取POD模式，保留前 \(r=40\) 个模式（覆盖84.6%总能量），构建缩减基矩阵 \(\boldsymbol{\Psi}_r \in \mathbb{R}^{450 \times r}\)
- 对 \(\boldsymbol{\Psi}_r^T\) 列主元QR分解：\(\boldsymbol{\Psi}_r^T \mathbf{P} = \mathbf{Q}\mathbf{R}\)，排列矩阵 \(\mathbf{P}\) 的列序即传感器重要性排序
- 设计动机：最大化测量矩阵 \(\mathbf{H}\boldsymbol{\Psi}_r\) 的线性独立性，使选定传感器对主导流结构提供最大信息量

损失函数 / 训练策略¶

UNet/ViTAE：MSE损失，Adam优化器，自适应学习率衰减+早停（patience=20），80-20训练/验证划分
CWGAN：Wasserstein距离 + L1重建损失（权重比1:100），5次判别器更新/1次生成器更新，Adam优化器（lr=0.0001）+早停

实验关键数据¶

主实验：MDT下各方法在不同传感器密度的性能¶

传感器数	方法	SSIM↑	FAC2↑	推理时间(ms)
5	Kriging	0.415	—	~1.493
5	UNet	0.531	—	~0.109
5	CWGAN	0.550	—	~0.164
20	UNet	~0.78	>0.80	~0.109
20	CWGAN	~0.80	>0.80	~0.164
30	Kriging	~0.78	~0.778	~1.493
30	UNet	~0.82	~0.808	~0.109
30	CWGAN	~0.85	~0.811	~0.164

MDT下DL vs Kriging：SSIM +18.2~33.5%，FAC2 +3.5~24.2%，NMSE -10.2~27.8%。

计算效率与鲁棒性对比¶

模型	参数量	GFLOPs	大小(MB)	扰动SSIM下降	QR优化提升
UNet	471,586	0.0285	1.80	6.5–14.8%	-0.7%(SDT)/+0.4%(MDT)
ViTAE	467,491	0.0210	1.78	6.7–16.8%	+2.6%/+4.8%
CWGAN	8,770,000	1.301	33.46	3.3–8.2%	+6.5%/+1.8%
Kriging	—	—	—	5.4–13.9%	+4.1%/+7.9%

关键发现¶

SDT下Kriging反超DL：仅5个传感器+单方向训练时，Kriging SSIM=0.502远优于DL的0.194–0.237（差距52–61%）→极稀疏+无多样性训练时空间相关假设更有效
MDT是DL的关键转折：切换到MDT后DL在5传感器下SSIM提升131–146%，而Kriging因空间平稳假设被多方向流场违反而退化
20传感器是性能交叉点：SDT下DL在此密度开始在NMSE上全面超越Kriging
CWGAN的"确定性化"：100:1的L1权重使CWGAN实际行为趋近确定性映射，多次采样结果几乎无差异
0°风向最难重建：边界-中心差异最大，速度类别不平衡，是MDT中Kriging退化的主因
QR优化在MDT下效果更显著：90%正向改善 vs SDT的60%

亮点与洞察¶

首个使用真实PIV数据的系统性DL风场重建基准——摆脱了CFD模拟数据偏差，直接面向真实部署条件
SDT vs MDT的对比清晰揭示了训练数据多样性对DL方法的决定性影响——这一结论对其他流场重建任务同样适用
QR传感器优化将POD降维与信息论结合，在数据驱动的传感器布置上提供了理论有保证的方法
不同方法的适用场景总结具有实用指导价值：单方向少传感器→Kriging；多方向多传感器→UNet（平衡稳定）；追求最高精度→CWGAN（计算代价高）；资源受限→ViTAE

局限与展望¶

仅2D平面风场（15×15网格），限于z/H=1.05单一高度，3D结构缺失
仅三个风向角（0°/22.5°/45°），超出此范围的泛化需要额外实验数据或迁移学习
CWGAN参数量（8.77M）为UNet的18.6倍但SSIM仅提升5–9%，效率比偏低
单一孤立矩形建筑，未验证复杂建筑群布局的适用性
每个快照独立重建，未利用时序动态信息进行多步预测

评分¶

⭐⭐⭐⭐ (4/5)

综合评价：方法层面无新架构创新，但实验设计极为全面（4方法×2策略×6传感器配置×扰动分析×QR优化×时序平均策略），在真实PIV数据上的系统性基准测试对建筑环境工程有高实用价值。代码开源，可复现性好。