基于物理引导卷积神经网络与图像修复技术的建筑解析城市微气象三维温度与风速超分辨率重建
大气与海洋物理
2023-03-30 v1 流体动力学
摘要
城市大气模拟由于需要高空间分辨率（如几米）以准确表征建筑物和街道，计算量可能很大。深度学习因其在降低计算成本方面的潜力，近年来在各种物理科学中受到关注。超分辨率是一种提升数据分辨率的技术。本文提出一种卷积神经网络（CNN），用于对城市微气象的瞬时三维空气温度和风速场快照进行超分辨率重建。该超分辨率过程不仅需要提高空间分辨率，还需要恢复因建筑物形状随分辨率不同而产生的缺失数据。所提出的CNN引入了门控卷积，这是一种推断缺失像素的图像修复技术。利用日本东京站周边建筑解析微气象模拟，通过监督学习验证了CNN的性能。尽管低分辨率建筑物粗糙导致低海拔处数据缺失，CNN仍成功重建了高分辨率建筑物周围的温度和速度场。这一结果表明近地面流动可由建筑物上方的流动推断得出。通过在某一高度以下输入值全部置为缺失的数值实验，对该假设进行了评估。本研究暗示，借助提升计算效率的神经网络，建筑解析微气象模拟在城市中的应用将更具可行性。
引用
@article{arxiv.2303.16684,
title = {Super-Resolution of Three-Dimensional Temperature and Velocity for Building-Resolving Urban Micrometeorology Using Physics-Guided Convolutional Neural Networks with Image Inpainting Techniques},
author = {Yuki Yasuda and Ryo Onishi and Keigo Matsuda},
journal= {arXiv preprint arXiv:2303.16684},
year = {2023}
}