GenDA: Generative Data Assimilation on Complex Urban Areas via Classifier-Free Diffusion Guidance

📄 arXiv: 2601.11440v1 📥 PDF

作者: Francisco Giral, Álvaro Manzano, Ignacio Gómez, Ricardo Vinuesa, Soledad Le Clainche

分类: cs.LG, cs.AI, cs.CE

发布日期: 2026-01-16

💡 一句话要点

提出GenDA框架以解决城市风流重建问题

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion) 支柱六：视频提取与匹配 (Video Extraction)

关键词: 城市风流重建 生成数据同化 图基扩散 计算流体动力学 环境监测 机器学习 风场重建

📋 核心要点

  1. 城市风流重建面临传感器数据稀疏的问题，现有方法难以准确重建高分辨率风场。
  2. GenDA框架通过多尺度图基扩散架构，结合无分类器引导，实现了从有限观测数据中重建风场的能力。
  3. 实验结果表明，GenDA在RANS模拟的城市环境中，相较于传统方法显著降低了RRMSE和提高了SSIM。

📝 摘要（中文）

城市风流重建对于评估空气质量、热量扩散和行人舒适度至关重要，但在传感器数据稀疏的情况下仍然具有挑战性。我们提出了GenDA，一个生成数据同化框架，能够从有限的观测数据中重建高分辨率的风场。该模型采用多尺度图基扩散架构，经过计算流体动力学（CFD）模拟训练，并将无分类器引导视为一种学习后的重建机制。无条件分支学习几何感知的流动先验，而传感器条件分支在采样过程中注入观测约束。这种方法使得在未见几何体、风向和网格分辨率下的障碍感知重建和泛化成为可能。与监督图神经网络（GNN）基线和经典的降阶数据同化方法相比，GenDA在测试的网格上将相对均方根误差（RRMSE）降低了25-57%，并将结构相似性指数（SSIM）提高了23-33%。

🔬 方法详解

问题定义：本论文旨在解决城市环境中风流重建的具体问题，尤其是在传感器数据稀疏的情况下，现有方法难以提供高分辨率的风场重建，导致空气质量和热量扩散评估的准确性不足。

核心思路：论文提出的GenDA框架利用多尺度图基扩散架构，通过无分类器引导机制进行学习，能够在不需要重新训练的情况下，实现对未见几何体和风向的泛化重建。

技术框架：GenDA的整体架构包括两个主要分支：无条件分支用于学习几何感知的流动先验，传感器条件分支则在采样过程中注入观测约束。该框架支持稀疏固定传感器和基于轨迹的观测。

关键创新：GenDA的主要创新在于其无分类器引导的重建机制，使得模型能够在复杂城市环境中进行障碍感知的风流重建，这与传统方法依赖于大量标注数据的方式有本质区别。

关键设计：在模型设计中，采用了多尺度图基扩散网络结构，结合特定的损失函数以优化重建效果，同时确保模型在不同网格分辨率和风向下的泛化能力。具体的参数设置和网络结构细节在实验部分进行了详细描述。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，GenDA在与监督图神经网络（GNN）基线和传统降阶数据同化方法的比较中，RRMSE降低了25-57%，SSIM提高了23-33%。这些结果表明，GenDA在复杂城市环境中的风流重建能力显著优于现有方法。

🎯 应用场景

该研究的潜在应用领域包括城市空气质量监测、热量分布分析以及行人舒适度评估等。通过提供高分辨率的风场重建，GenDA能够为城市规划和环境监测提供重要的数据支持，未来可能在智能城市建设中发挥重要作用。

📄 摘要（原文）

Urban wind flow reconstruction is essential for assessing air quality, heat dispersion, and pedestrian comfort, yet remains challenging when only sparse sensor data are available. We propose GenDA, a generative data assimilation framework that reconstructs high-resolution wind fields on unstructured meshes from limited observations. The model employs a multiscale graph-based diffusion architecture trained on computational fluid dynamics (CFD) simulations and interprets classifier-free guidance as a learned posterior reconstruction mechanism: the unconditional branch learns a geometry-aware flow prior, while the sensor-conditioned branch injects observational constraints during sampling. This formulation enables obstacle-aware reconstruction and generalization across unseen geometries, wind directions, and mesh resolutions without retraining. We consider both sparse fixed sensors and trajectory-based observations using the same reconstruction procedure. When evaluated against supervised graph neural network (GNN) baselines and classical reduced-order data assimilation methods, GenDA reduces the relative root-mean-square error (RRMSE) by 25-57% and increases the structural similarity index (SSIM) by 23-33% across the tested meshes. Experiments are conducted on Reynolds-averaged Navier-Stokes (RANS) simulations of a real urban neighbourhood in Bristol, United Kingdom, at a characteristic Reynolds number of $\mathrm{Re}\approx2\times10^{7}$, featuring complex building geometry and irregular terrain. The proposed framework provides a scalable path toward generative, geometry-aware data assimilation for environmental monitoring in complex domains.