稀疏传感器下的屋顶风场重建：从确定性到生成式学习方法
计算机视觉与模式识别
2026-03-16 v1
摘要
实时获取屋顶风速分布对于无人机和城市空中交通系统的安全运行、风力控制系统以及屋顶资源的利用至关重要。然而，屋顶流场表现出强烈的非线性、分离和横向变异性，这使得从稀疏传感器进行流场重建变得困难。本研究开发了一个基于流气动学实验数据，通过粒子图像测速法 (PIV) 获取的观察学习框架，并比较了 Kriging 插值与三种深度学习模型：UNet、视觉转换器自编码器 (ViTAE) 和条件 Wasserstein 判别式生成对抗网络 (CWGAN)。我们评估了单风向训练 (SDT) 和混合风向训练 (MDT) 两种训练策略，覆盖传感器密度从 5 到 30 的范围，测试在传感器位置 ±1 网格的鲁棒性，并通过正交分解的普适正交分解 (POD) 对传感器布置进行优化。结果表明，深度学习方法能够有效地从稀疏传感器数据中重建屋顶风场。与 Kriging 插值相比，深度学习模型在 SSIM 上提高了最高 32.7%，FAC2 提高了 24.2%，NMSE 改善了 27.8%。混合风向训练进一步提升了性能，SSIM 提升了最高 173.7%，FAC2 提升了 16.7%，MG 提升了 98.3%，均优于单向训练。结果还表明，传感器配置、优化和训练策略应联合考虑，以实现可靠的部署。基于 QR 的优化在传感器扰动下提高了鲁棒性，最高可提高 27.8%，尽管在不同指标之间存在权衡。使用实验数据而非仿真数据进行训练也为在不同情景下的方法选择和传感器布置提供了实际指导。
引用
@article{arxiv.2603.13077,
title = {Rooftop Wind Field Reconstruction Using Sparse Sensors: From Deterministic to Generative Learning Methods},
author = {Yihang Zhou and Chao Lin and Hideki Kikumoto and Ryozo Ooka and Sibo Cheng},
journal= {arXiv preprint arXiv:2603.13077},
year = {2026}
}