Rooftop Wind Field Reconstruction Using Sparse Sensors: From Deterministic to Generative Learning Methods¶

会议: CVPR 2026
arXiv: 2603.13077
代码: github.com/Yng314/windreconstruction
领域: 其他 / 流体重建
关键词: 风场重建, 稀疏传感器, UNet, ViTAE, CWGAN, PIV实验数据

一句话总结¶

建立学习-观测框架，在真实风洞PIV数据上系统比较Kriging、UNet、ViTAE和CWGAN四种方法从5-30个稀疏传感器重建屋顶全风场的能力，发现混合风向训练下DL一致优于Kriging（SSIM提升18-34%），CWGAN在鲁棒性上最优。

屋顶空间承载无人机/UAM起降、太阳能板、HVAC等日益增长的功能，但屋顶风环境极其复杂（分离流、锥形涡旋）。实时全场风信息对安全运营至关重要，但实际传感器部署稀疏且CFD计算成本高。现有研究多基于CFD模拟数据（不捕获真实噪声/湍流），单架构评估，方向特定训练限制泛化性。

从5-30个稀疏传感器观测中重建15×15网格的2D屋顶风速场（u/v分量），使用真实PIV实验数据，系统比较传统(Kriging)与DL(UNet/ViTAE/CWGAN)方法在多风向、传感器位置扰动、有限数据等现实约束下的表现。

PIV风洞数据→稀疏传感器采样（Voronoi均匀或QR优化布局）→四种方法重建→SSIM/NMSE/FAC2/MG评估。输入15×15×3(u,v,传感器mask)，输出15×15×2(u,v速度场)。

四种对比方法: Kriging(传统插值), UNet(472K参数/0.03 GFLOPs), ViTAE(467K参数, Transformer+CNN混合), CWGAN(8.77M参数, 对抗训练+L1重建，权重比100:1)。UNet/ViTAE确定性映射，CWGAN生成式。
SDT vs MDT训练策略: SDT(仅0°训练)测试跨方向泛化，MDT(混合0°/22.5°/45°)更接近实际部署。数据按独立实验实现划分（非随机快照）防时间泄漏。
QR传感器优化: POD(SVD)提取主导流模式(r=40, 84.6%能量) → QR分解对传感器位置排序 → 优化布局提升重建鲁棒性。

UNet/ViTAE: MSE损失, Adam, 自适应LR+早停。CWGAN: Wasserstein距离+L1(100:1权重), 5次判别器更新/1次生成器。

MDT(混合风向训练)下DL vs Kriging：

传感器数	Kriging SSIM	DL最佳 SSIM	提升
5	0.415	0.550 (CWGAN)	+32.5%
20	~0.70	~0.80	~14%
30	~0.78	~0.85	~9%