Conditional Flow Matching for Generation of 3D Multi-variable Instantaneous Urban Microclimate Fields
作者: Peng Liu, Shaoxiang Qin, Theodore Potsis, Lili Ji, Dingyang Geng, Liangzhu Leon Wang
分类: physics.flu-dyn, cs.CE, cs.LG, physics.ao-ph
发布日期: 2026-10-07
💡 一句话要点
提出条件流匹配方法以快速生成城市微气候场
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 城市微气候 条件流匹配 大涡模拟 湍流预测 生成模型 环境适应 气候设计
📋 核心要点
- 现有的大涡模拟方法计算成本高，限制了其在城市微气候设计中的应用。
- 本文提出条件流匹配（CFM）框架，利用建筑几何和平均流生成三维瞬时气候场。
- CFM模型在风速和温度的预测中表现出优异的准确性，NRMSE分别为2.99%和1.77%。
📝 摘要（中文）
快速准确地预测城市风速和温度场对于城市微气候设计和气候适应至关重要。尽管大涡模拟（LES）能够有效解析这些瞬时场，但由于计算成本高，其在城市微气候应用的迭代设计中受到限制。现有的回归数据驱动模型虽然能快速输出，但仅能生成确定性点预测，无法有效表示湍流的随机性。本文采用了一种新颖的条件流匹配（CFM）生成框架，利用建筑几何和平均流作为指导，能够在几秒钟内生成合理的三维瞬时速度和温度场。CFM模型在重叠像素空间并行操作，通过共享噪声初始化来克服GPU内存瓶颈，保持流动结构的高空间连续性。与参考的LES数据相比，CFM代理能够快速准确地恢复一阶统计量，风速的归一化均方根误差（NRMSE）为2.99%，温度为1.77%。
🔬 方法详解
问题定义：本文旨在解决城市微气候中风速和温度场的快速预测问题。现有的大涡模拟（LES）方法计算复杂且耗时，限制了其在实际应用中的迭代设计能力。
核心思路：提出条件流匹配（CFM）框架，通过建筑几何和平均流作为条件，生成三维瞬时速度和温度场，旨在快速且准确地捕捉湍流特性。
技术框架：CFM模型在重叠像素空间中并行处理，采用共享噪声初始化以保持流动结构的高空间连续性。整体流程包括输入建筑几何和流场信息，经过生成网络输出气候场。
关键创新：CFM的最大创新在于其生成能力，能够在保持高空间连续性的同时，快速生成复杂的三维气候场。这种方法与传统的回归模型不同，能够更好地捕捉湍流的随机性。
关键设计：模型设计中采用了特定的损失函数以优化生成效果，网络结构经过精心调整以适应高维数据的处理，确保在GPU内存限制下仍能高效运行。具体参数设置和网络层次结构在实验部分详细描述。
🖼️ 关键图片
📊 实验亮点
实验结果表明，CFM模型在风速和温度的预测中表现优异，风速的NRMSE为2.99%，温度的NRMSE为1.77%。此外，CFM在二阶湍流指标和湍动能的预测中也显示出良好的性能，分别为7.17%和7%的NRMSE，证明了其在实际应用中的有效性。
🎯 应用场景
该研究的潜在应用领域包括城市规划、环境监测和气候适应策略的制定。通过快速生成城市微气候场，能够为城市设计提供实时反馈，促进更具韧性的城市环境建设，提升城市应对气候变化的能力。
📄 摘要（原文）
Rapid and accurate prediction of urban wind and temperature fields is important for urban microclimate design and climate adaptation. Large-eddy simulation (LES) effectively resolves these instantaneous fields, but its application is limited in iterative design of urban microclimate applications due to high computational cost. Existing regressive data-driven models offers quick outputs, but they produce only deterministic point predictions that inherently fail to represent turbulent stochasticity. This paper adopts a novel generative framework of Conditional Flow Matching (CFM) that uses building geometry and mean flow as guidance to generate plausible three-dimensional instantaneous velocity and temperature fields for urban microclimate in seconds. To overcome the GPU memory bottleneck of pixel space 3D generation, the model operates in parallel on overlapping pixel space through a shared-noise initialization that preserves high spatial continuity of flow structure across the entire domain. Against reference LES data, the CFM surrogate can rapidly and accurately restore the first-order statistics with Normalized Root Mean Square Error (NRMSE) of 2.99% for wind and 1.77% for temperature, second-order turbulence metrics with NRMSE of 7.17% for wind and 8.84% for temperature, turbulent kinetic energy with NRMSE of 7%, probability density function and vertical profiles in representative locations. Wind engineering application of local gust prediction demonstrate that the speed and accuracy of CFM, supporting the use of generative AI for making turbulence-aware resilient urban design and climate adaptation more computationally feasible.