Inpainting U-Net for seamless pedestrian-level wind prediction across urban morphologies

技術要約：シームレスな歩行者レベルの風速予測のためのインペインティングU-Net

問題提起
歩行者レベルの風速予測は、都市設計、安全性、および風の快適性評価において極めて重要である。高精度な計算流体力学（CFD）、特にラージエディシミュレーション（LES）は正確な結果を提供するが、計算コストが高いため、多様な都市形態にわたる迅速な評価を妨げている。U-Netのような畳み込みニューラルネットワーク（CNN）を用いたデータ駆動型のサロゲートモデルは、より高速な代替手段を提供する。しかし、大規模な都市領域にU-Netを適用する際の重大な制限は、「パッチ単位」の推論戦略である。メモリと解像度を管理するために、入力ドメインは通常、独立して処理される固定サイズのタイルに分割される。この手法は、タイルをグローバルな解へと組み立てる際に、パッチ境界における不連続性や不整合を引き起こすことが多い。既存の後処理手法（例：オーバーラップ窓平均法）は、これらの不連続性を統計的に平滑化するが、明示的な物理的根拠や、周囲の流体コンテキストを効果的に取り込む能力を欠いている。

手法
本研究では、現実的な都市形態における、時間平均された歩行者レベルの風速のシームレスかつ高解像度な予測を生成するために設計された、2段階のU-Netフレームワークを提案する。このフレームワークは、密度の異なる288の現実的な都市構成を含む大規模なLESデータベースであるUrbanTALESデータセットを利用している。

1. データ前処理:

   • 正規化: 建物の高さ、フェッチ距離、および風速は、パーセンタイルベースのスケーリング（例：高さには95パーセンタイル、速度には99パーセンタイル）を用いて、単位区間 $[0, 1]$ に正規化される。
   • 回転と拡張: 明示的な方向入力なしに任意の風向を扱うため、接近する風が正のx軸に一致するようにドメイン全体を回転させる。また、エッジパッチにおけるコンテキストを確保するため、周期境界条件の下でドメインを $3 \times 3$ のタイル状フィールドへと拡張する。
   • パッチ抽出: 学習データは固定サイズのパッチとして抽出される。

2. ステージ1：ベースラインモデル (M1):

   • アーキテクチャ: 4つの解像度レベル、エンコーダ・デコーダ構造、およびスキップ接続を備えた標準的なU-Net。
   • 入力: 正規化された地形（建物のマスクと高さ）および正規化されたフェッチ（上流側の建物までの距離）からなる $128 \times 128$ ピクセルのパッチ（$1\text{m}$ 解像度において $128\text{m} \times 128\text{m}$）。
   • 出力: 同一の $128 \times 128$ パッチに対する予測された正規化風速。
   • 機能: M1は、局所的な形態から風速への主要なマッピングを学習し、一般的な空間分布を捉える。

3. ステージ2：リファインメントモデル (M2) - インペインティング戦略:

   • アーキテクチャ: M1と同一のU-Netアーキテクチャだが、より大きな入力/出力サイズ（$192 \times 192$ ピクセル）を持つ。
   • 入力: 中央の $128 \times 128$ 領域（M1によって予測されたもの）を、周囲のグランドトゥルース（真値）の流体データ（学習時）またはM1の予測値（推論時）で囲んだ複合フィールド、および対応する $192 \times 192$ の地形。
   • 機能: M2はインペインティングモデルとして機能する。周囲の流体コンテキストを利用して、境界の不連続性を修正し、M1の予測における局所的な詳細を精緻化する。
   • 推論スキーム: フルフィールドの推論においては、M2をガウス＝ゼイデル法を用いて反復的に適用する。パッチは逐次的に処理され、更新された中央領域は直ちに後続のパッチのコンテキストとして使用される。安定性を確保するために、緩和係数（$\alpha = 0.2$）が適用される。反復は、連続する反復間の平均絶対差が収束するまで継続される。

主な貢献

• 2段階フレームワーク: パッチ境界のアーティファクトに対処するために、ベースラインのパッチ単位モデルに続いてインペインティングベースのリファインメントモデルを配置するという、特定の2段階パイプラインの導入。
• 流体の連続性のためのインペインティング: 伝統的な平滑化技術とは異なり、M2は周囲の流体情報を用いて欠損または不整合な領域を再構成することを明示的に学習し、境界の不連続性を物理的コンテキストに基づいて埋めるべき「欠損データ」として効果的に扱う。
• 任意のドメインへのスケーラビリティ: 本フレームワークは、反復的な精緻化プロセスを通じてシームレスなフルフィールド出力を達成しながら、パッチベースの推論（任意のサイズのドメインに対する予測を可能にする）の柔軟性を維持する。
• 回転不変学習: 入力をx軸に合わせることで回転させることにより、モデルは方向依存性のない特徴を学習し、風向を明示的な入力チャネルとして入力する必要を排除している。

結果

• パッチレベルの性能 (M1): M1は低・中風速領域および風速の一般的な空間分布を正確に捉える。しかし、高風速ピーク（例：建物の角付近）を過小評価する傾向があり、形態情報が限られた低密度パッチに対しては効果が低い。
• 精緻化の性能 (M2): M2はパッチ境界のアーティファクトを大幅に減少させ、空間的なコヒーレンス（一貫性）を向上させる。全体的な流れの構造を維持しながら、不連続性を効果的に平滑化する。場合によっては、境界情報を活用することで高風速の予測を改善するが、M1が犯した大規模な構造的エラーを完全に修正することはできない。
• フルフィールドの性能: 未知の18の都市ケースにおいて、本フレームワークはLESのグランドトゥルースと比較して、平均風速および空間変動（標準偏差）を合理的に再現している。平均速度と標準偏差はグランドトゥルースと強い一致を示している。しかし、最大風速は依然として過小評価されており、これはモデルが極端な局所的風イベントの予測に苦戦していることを示唆している。回転後のため、風向に関連する顕著な系統的バイアスは見られなかった。

意義と主張
本論文は、提案されたフレームワークが、現実的な都市形態における高解像度な歩行者レベルの風速予測のための効率的かつ柔軟なサロゲートモデルを提供すると主張している。その主な意義は、アドホックな後処理に頼ることなく、ディープラーニングによる空間予測に固有の「パッチ境界」問題を解決することにある。インペインティングベースのリファインメントステップを統合することで、本手法は、標準的なパッチ単位のアプローチよりも物理的に一貫したシームレスなフルフィールド予測を生成する。著者らは、本モデルが一般的な風の快適性評価には有効である一方で、現在は極端な風速を過小評価していることを認めており、重み付け損失関数やターゲットサンプリングを通じて高風速イベントの予測を改善することに今後の課題があるとしている。