城市气流与污染物扩散的端到端数据驱动预测
机器学习
2026-03-19 v1
摘要
气候变化和城市人口的快速增长正在加剧城市内的环境压力, 使城市大气流动行为成为公共健康、能源使用和整体宜居性的关键因素。本研究旨在开发快速而准确的城市污染物扩散模型, 以支持决策者, 使其能够及时且经济高效地实施减措施。为此, 提出一种 end-to-end 数据驱动方法, 用于预测街 Canyon 中 skim flow 状态下的气流和污染物扩散。大涡旋仿真(LES)获取的一系列时间分辨快照作为数据库。该框架基于四个基本步骤: 首先, 通过谱型正交分解(SPOD)获取简化基; 将时间序列快照数据投影到 SPOD 模式上(时域方法)提供动态的时序系数。其次, 对时序系数进行非线性压缩, 通过自编码器进一步降低问题的维度。第三, 在潜在空间中使用长短期记忆(LSTM)网络学习简化模型。最后, 通过卷积神经网络从预测的速度场估计污染物扩散。结果表明, 该模型在预测长时间尺度上的瞬时及统计平稳场方面具有有效性。
引用
@article{arxiv.2603.17606,
title = {End-to-end data-driven prediction of urban airflow and pollutant dispersion},
author = {Nishant Kumar and Franck Kerhervé and Lionel Agostini and Laurent Cordier},
journal= {arXiv preprint arXiv:2603.17606},
year = {2026}
}
备注
22 pages, 22 figures