Rooftop Wind Field Reconstruction Using Sparse Sensors: From Deterministic to Generative Learning Methods
作者: Yihang Zhou, Chao Lin, Hideki Kikumoto, Ryozo Ooka, Sibo Cheng
分类: cs.CV
发布日期: 2026-03-13
💡 一句话要点
提出基于深度学习的屋顶风场重建方法，利用稀疏传感器数据提升无人机安全。
🎯 匹配领域: 支柱六：视频提取与匹配 (Video Extraction)
关键词: 屋顶风场重建 稀疏传感器 深度学习 风洞实验 无人机安全
📋 核心要点
- 现有屋顶风场重建方法难以应对风场的强非线性与复杂性，导致重建精度不足，影响无人机等应用的安全。
- 利用深度学习模型学习风场分布，结合风洞实验数据进行训练，并优化传感器布局，提升重建精度和鲁棒性。
- 实验表明，深度学习方法显著优于传统克里金插值，混合风向训练策略进一步提升性能，传感器优化增强了鲁棒性。
📝 摘要（中文）
本文研究了利用稀疏传感器数据重建屋顶风场的问题，这对于无人机安全运行、城市空中交通系统、风力控制以及屋顶利用至关重要。由于屋顶气流的强非线性、分离和交叉方向变异性，从稀疏传感器数据中重建风场极具挑战。本研究提出了一个基于观测学习的框架，使用风洞实验数据（通过粒子图像测速法PIV获得），并比较了克里金插值法与三种深度学习模型：UNet、Vision Transformer Autoencoder (ViTAE) 和 Conditional Wasserstein GAN (CWGAN)。评估了单风向训练 (SDT) 和混合风向训练 (MDT) 两种训练策略，传感器密度从 5 到 30 不等，测试了传感器位置扰动（正负 1 个网格）下的鲁棒性，并通过 Proper Orthogonal Decomposition 与 QR 分解优化了传感器布局。结果表明，深度学习方法可以有效地从稀疏传感器数据中重建屋顶风场。与克里金插值相比，深度学习模型在 SSIM 上提高了高达 32.7%，FAC2 提高了 24.2%，NMSE 提高了 27.8%。混合风向训练进一步提高了性能，与单风向训练相比，SSIM 提高了高达 173.7%，FAC2 提高了 16.7%，MG 提高了 98.3%。结果还表明，传感器配置、优化和训练策略应联合考虑以实现可靠部署。基于 QR 的优化在传感器扰动下将鲁棒性提高了高达 27.8%，尽管存在与指标相关的权衡。在实验数据而非模拟数据上进行训练也为不同场景下的方法选择和传感器放置提供了实践指导。
🔬 方法详解
问题定义：论文旨在解决从稀疏传感器数据中准确重建屋顶风场的问题。现有方法，如克里金插值，难以捕捉屋顶风场的复杂非线性特征，导致重建精度较低，无法满足无人机安全飞行等应用的需求。现有方法对传感器位置的敏感性也限制了其在实际场景中的应用。
核心思路：论文的核心思路是利用深度学习模型强大的非线性拟合能力，直接从稀疏传感器数据中学习风场分布。通过风洞实验获取真实的风场数据，并使用这些数据训练深度学习模型，使其能够准确地重建屋顶风场。此外，论文还通过优化传感器布局，提高重建的鲁棒性。
技术框架：整体框架包括数据采集、模型训练和风场重建三个主要阶段。首先，通过风洞实验和粒子图像测速法（PIV）获取屋顶风场的真实数据。然后，使用这些数据训练三种深度学习模型：UNet、Vision Transformer Autoencoder (ViTAE) 和 Conditional Wasserstein GAN (CWGAN)。最后，利用训练好的模型，根据稀疏传感器数据重建屋顶风场。
关键创新：论文的关键创新在于将深度学习方法应用于屋顶风场重建，并提出了混合风向训练策略。与传统的插值方法相比，深度学习模型能够更好地捕捉风场的复杂特征，从而提高重建精度。混合风向训练策略通过引入不同风向的数据，增强了模型的泛化能力。
关键设计：论文的关键设计包括：1) 选择了三种不同的深度学习模型，以评估不同模型的性能；2) 提出了单风向训练 (SDT) 和混合风向训练 (MDT) 两种训练策略；3) 通过 Proper Orthogonal Decomposition 与 QR 分解优化传感器布局；4) 评估了传感器位置扰动对重建结果的影响。损失函数方面，CWGAN使用了Wasserstein距离，旨在优化生成器和判别器的训练。
🖼️ 关键图片
📊 实验亮点
实验结果表明，深度学习模型在屋顶风场重建方面显著优于传统的克里金插值方法，SSIM 指标提升高达 32.7%，FAC2 提升 24.2%，NMSE 降低 27.8%。混合风向训练策略相比单风向训练，SSIM 提升高达 173.7%，FAC2 提升 16.7%，MG 提升 98.3%。基于 QR 分解的传感器优化方法在传感器位置扰动下，鲁棒性提升高达 27.8%。
🎯 应用场景
该研究成果可应用于无人机和城市空中交通系统的安全运行保障，通过实时重建屋顶风场，为无人机提供精确的风力信息，降低飞行风险。此外，该技术还可用于风力控制系统和屋顶利用，例如优化屋顶绿化布局，提高能源利用效率。未来，该技术有望推广到其他复杂环境下的风场重建，例如城市峡谷和工业园区。
📄 摘要（原文）
Real-time rooftop wind-speed distribution is important for the safe operation of drones and urban air mobility systems, wind control systems, and rooftop utilization. However, rooftop flows show strong nonlinearity, separation, and cross-direction variability, which make flow field reconstruction from sparse sensors difficult. This study develops a learning-from-observation framework using wind-tunnel experimental data obtained by Particle Image Velocimetry (PIV) and compares Kriging interpolation with three deep learning models: UNet, Vision Transformer Autoencoder (ViTAE), and Conditional Wasserstein GAN (CWGAN). We evaluate two training strategies, single wind-direction training (SDT) and mixed wind-direction training (MDT), across sensor densities from 5 to 30, test robustness under sensor position perturbations of plus or minus 1 grid, and optimize sensor placement via Proper Orthogonal Decomposition with QR decomposition. Results show that deep learning methods can reconstruct rooftop wind fields from sparse sensor data effectively. Compared with Kriging interpolation, the deep learning models improved SSIM by up to 32.7%, FAC2 by 24.2%, and NMSE by 27.8%. Mixed wind-direction training further improved performance, with gains of up to 173.7% in SSIM, 16.7% in FAC2, and 98.3% in MG compared with single-direction training. The results also show that sensor configuration, optimization, and training strategy should be considered jointly for reliable deployment. QR-based optimization improved robustness by up to 27.8% under sensor perturbations, although with metric-dependent trade-offs. Training on experimental rather than simulated data also provides practical guidance for method selection and sensor placement in different scenarios.