修復U-Net：跨越城市形態的無縫行人高度風速預測
本研究提出了一種兩階段U-Net框架，用於高效預測真實城市形態下行人高度的平均風速。該模型利用UrbanTALES數據集訓練和評估，通過第一階段基礎U-Net（M1）逐塊預測風場，第二階段修復U-Net（M2）採用基於修補的細化方法消除塊邊界偽影。實驗表明，該框架能合理再現平均風速和空間變異性，但最大風速仍被低估。該模型為高分辨率行人高度風速預測提供了一種高效靈活的替代方案。
行人高度的風速預測對於城市設計和風舒適性評估至關重要。然而，高保真模擬方法如大渦模擬（LES）雖然精度高，但計算成本極高，難以在快速評估中應用。為此，由Jingzi Huang等六位作者提出的這項研究，開發了一種兩階段U-Net深度學習框架，旨在高效預測真實城市形態下行人高度的時均風速。
該框架使用UrbanTALES數據集進行訓練和評估。UrbanTALES包含了多種真實城市配置，並考慮了不同來流風向，為模型提供了豐富的訓練樣本。第一階段，基礎U-Net模型（M1）利用歸一化的建築高度和前方地形信息，逐塊預測風場。這種逐塊處理方式使得模型可以靈活應用於任意大小的城市區域，但獨立推理各塊會導致塊邊界處出現不連續性。
為解決邊界偽影問題，研究引入了基於修復（inpainting）的第二階段U-Net模型（M2）。M2使用更大的上下文窗口，包含初始M1預測和局部城市形態信息，通過相鄰流場信息來減少不連續性。在全場推理時，M2採用高斯-賽德爾迭代方案，逐步更新各個塊，直至收斂。這種迭代策略有效提升了全場預測的連續性和一致性。
實驗結果顯示，M1能夠較好地捕捉行人高度風速的主要空間分佈，在低速和中速區域表現良好，但對高速峯值的預測精度較低。M2則顯著減少了塊邊界偽影，提升了空間一致性。在多個未見過的城市案例中，該框架合理再現了平均風速和空間變異性，但最大風速值仍存在系統性低估，這是未來改進的方向。
與傳統的LES模擬相比，該兩階段U-Net框架在保持合理精度的同時，大幅降低了計算時間，使得快速迭代設計成為可能。總體而言，該模型為真實城市形態下的高分辨率行人高度風速預測提供了一種高效、靈活的替代方案，有望在城市設計初期階段發揮重要作用，輔助風環境評估與優化。未來的工作可能包括引入注意力機制或更復雜的損失函數來提升峯值預測的準確性。