修复U-Net：跨越城市形态的无缝行人高度风速预测
本研究提出了一种两阶段U-Net框架，用于高效预测真实城市形态下行人高度的平均风速。该模型利用UrbanTALES数据集训练和评估，通过第一阶段基础U-Net（M1）逐块预测风场，第二阶段修复U-Net（M2）采用基于修补的细化方法消除块边界伪影。实验表明，该框架能合理再现平均风速和空间变异性，但最大风速仍被低估。该模型为高分辨率行人高度风速预测提供了一种高效灵活的替代方案。
行人高度的风速预测对于城市设计和风舒适性评估至关重要。然而，高保真模拟方法如大涡模拟（LES）虽然精度高，但计算成本极高，难以在快速评估中应用。为此，由Jingzi Huang等六位作者提出的这项研究，开发了一种两阶段U-Net深度学习框架，旨在高效预测真实城市形态下行人高度的时均风速。
该框架使用UrbanTALES数据集进行训练和评估。UrbanTALES包含了多种真实城市配置，并考虑了不同来流风向，为模型提供了丰富的训练样本。第一阶段，基础U-Net模型（M1）利用归一化的建筑高度和前方地形信息，逐块预测风场。这种逐块处理方式使得模型可以灵活应用于任意大小的城市区域，但独立推理各块会导致块边界处出现不连续性。
为解决边界伪影问题，研究引入了基于修复（inpainting）的第二阶段U-Net模型（M2）。M2使用更大的上下文窗口，包含初始M1预测和局部城市形态信息，通过相邻流场信息来减少不连续性。在全场推理时，M2采用高斯-赛德尔迭代方案，逐步更新各个块，直至收敛。这种迭代策略有效提升了全场预测的连续性和一致性。
实验结果显示，M1能够较好地捕捉行人高度风速的主要空间分布，在低速和中速区域表现良好，但对高速峰值的预测精度较低。M2则显著减少了块边界伪影，提升了空间一致性。在多个未见过的城市案例中，该框架合理再现了平均风速和空间变异性，但最大风速值仍存在系统性低估，这是未来改进的方向。
与传统的LES模拟相比，该两阶段U-Net框架在保持合理精度的同时，大幅降低了计算时间，使得快速迭代设计成为可能。总体而言，该模型为真实城市形态下的高分辨率行人高度风速预测提供了一种高效、灵活的替代方案，有望在城市设计初期阶段发挥重要作用，辅助风环境评估与优化。未来的工作可能包括引入注意力机制或更复杂的损失函数来提升峰值预测的准确性。