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

기술 요약: 매끄러운 보행자 수준 풍속 예측을 위한 인페인팅(Inpainting) U-Net

문제 정의
보행자 수준의 풍속 예측은 도시 설계, 안전 및 바람 쾌적성 평가에 매우 중요하다. 고충실도 전산유체역학(CFD), 예를 들어 대형 와류 시뮬레이션(LES)은 정확한 결과를 제공하지만, 계산 비용이 많이 들어 다양한 도시 형태에 대해 신속하게 평가하는 데 한계가 있다. U-Net과 같은 합성곱 신경망(CNN) 기반의 데이터 구동 대리 모델(Surrogate Model)은 더 빠른 대안을 제공한다. 그러나 대규모 도시 영역에 U-Net을 적용할 때 발생하는 주요 제한 사항은 "패치 단위(patch-wise)" 추론 전략이다. 메모리와 해상도를 관리하기 위해 입력 도메인은 일반적으로 독립적으로 처리되는 고정 크기의 타일로 나뉜다. 이 방식은 타일을 전체 솔루션으로 결합할 때 패치 경계에서 불연속성과 불일치를 초래하는 경우가 많다. 기존의 후처리 방법(예: 중첩 창 평균화)은 이러한 불연속성을 통계적으로는 매끄럽게 만들지만, 명시적인 물리적 근거가 부족하거나 주변 흐름 맥락(context)을 효과적으로 통합하는 능력이 부족하다.

방법론
본 연구는 실제적인 도시 형태에 대해 시간 평균 보행자 수준 풍속의 매끄럽고 고해상도인 예측을 생성하도록 설계된 2단계 U-Net 프레임워크를 제안한다. 이 프레임워크는 다양한 밀도, 배치 및 풍향을 포함한 288개의 실제 도시 구성을 담은 대규모 LES 데이터베이스인 UrbanTALES 데이터셋을 활용한다.

1. 데이터 전처리:

   • 정규화: 건물 높이, 페치(fetch) 거리 및 풍속은 백분위 기반 스케일링(예: 높이는 95 백분위, 풍속은 99 백분위)을 사용하여 [0, 1] 구간으로 정규화된다.
   • 회전 및 확장: 명시적인 방향 입력 없이 임의의 풍향을 처리하기 위해, 접근하는 바람이 양의 x축과 일치하도록 전체 도메인을 회전시킨다. 또한, 가장자리 패치에 대한 맥락을 확보하기 위해 주기적 경계 조건을 사용하여 도메인을 $3 \times 3$ 타일 필드로 확장한다.
   • 패치 추출: 훈련 데이터는 고정 크기의 패치로 추출된다.

2. 1단계: 베이스라인 모델 (M1):

   • 구조: 4개의 해상도 레벨, 인코더-디코더 구조 및 스킵 연결(skip connections)을 갖춘 표준 U-Net이다.
   • 입력: 정규화된 지형(건물 마스크와 높이) 및 정규화된 페치(상류 건물까지의 거리)로 구성된 $128 \times 128$ 픽셀 패치($1\text{m}$ 해상도 기준 $128\text{m} \times 128\text{m}$).
   • 출력: 동일한 $128 \times 128$ 패치에 대한 예측된 정규화 풍속.
   • 기능: M1은 국부적 형태로부터 풍속으로의 주요 매핑을 학습하여 일반적인 공간 분포를 포착한다.

3. 2단계: 정밀화 모델 (M2) - 인페인팅 전략:

   • 구조: M1과 동일한 U-Net 구조를 가지나, 더 큰 입력/출력 크기($192 \times 192$ 픽셀)를 사용한다.
   • 입력: 중앙의 $128 \times 128$ 영역(M1에 의해 예측됨)과 그 주변을 둘러싼 참값(ground-truth) 흐름 데이터(훈련 시) 또는 M1 예측값(추론 시)의 마진, 그리고 이에 대응하는 $192 \times 192$ 지형으로 구성된 복합 필드이다.
   • 기능: M2는 인페인팅 모델 역할을 한다. M2는 주변 흐름 맥락을 사용하여 경계 불연속성을 수정하고 M1 예측의 국부적 세부 사항을 정밀화한다.
   • 추론 체계: 전체 필드 추론 시, M2는 가우스-사이델(Gauss-Seidel) 방식을 사용하여 반복적으로 적용된다. 패치는 순차적으로 처리되며, 업데이트된 중앙 영역은 즉시 다음 패치의 맥락으로 사용된다. 안정성을 보장하기 위해 언더 릴랙세이션 계수($\alpha = 0.2$)가 적용된다. 반복은 연속된 반복 간의 평균 절대 차이가 수렴할 때까지 계속된다.

주요 기여

• 2단계 프레임워크: 경계 아티팩트(artifacts)를 해결하기 위해 베이스라인 패치 단위 모델 뒤에 인페인팅 기반 정밀화 모델을 배치하는 특정 2단계 파이프라인을 도입하였다.
• 흐름 연속성을 위한 인페인팅: 전통적인 평활화 기술과 달리, M2는 주변 흐름 정보를 사용하여 누락되거나 불일치하는 영역을 재구성하도록 명시적으로 학습하며, 이를 통해 경계 불연칙을 물리적 맥락에 기반하여 채워야 할 "누락된 데이터"로 효과적으로 취급한다.
• 임의 도메인 확장성: 패치 기반 추론의 유연성(임의 크기의 도메인에 대한 예측 가능)을 유지하면서도, 반복적인 정밀화 과정을 통해 매끄러운 전체 필드 출력을 달もの 성다.
• 회전 불변 훈련: 입력을 x축에 정렬하도록 회전시킴으로써 모델이 방향에 무관한 특징을 학습하게 하여, 풍향을 명시적인 입력 채널로 사용할 필요를 없앴다.

결과

• 패치 수준 성능 (M1): M1은 저속 및 중속 영역과 풍속의 일반적인 공간 분포를 정확하게 포착한다. 그러나 고속 피크(예: 건물 모서리 근근처)를 과소평가하는 경 경향이 있으며, 형태학적 정보가 제한적인 저밀도 패치에서는 성능이 떨어진다.
• 정밀화 성능 (M2): M2는 패치 경계 아티팩트를 크게 줄이고 공간적 일관성을 향상시킨다. M2는 전체적인 흐름 구조를 유지하면서 불연속성을 효과적으로 매끄럽게 만든다. 일부 경우, M2는 경계 정보를 활용하여 고속 예측을 개선하기도 하지만, M1이 범한 대규모 구조적 오류를 완전히 수정할 수는 없다.
• 전체 필드 성능: 18개의 미학습 도시 사례에 대해, 본 프레임워크는 LES 참값과 비교하여 평균 풍속 및 공간 변동성(표준 편차)을 합리적으로 재현한다. 평균 속도와 표준 편차는 참값과 높은 일치도를 보인다. 그러나 최대 풍속은 여전히 과소평가되어 있어, 모델이 극단적인 국부 풍속 이벤트 예측에 어려움을 겪고 있음을 나타낸다. 회전 적용 후 풍향과 관련된 유의미한 체계적 편향은 나타나지 않았다.

의의 및 주장
본 논문은 제안된 프레임워크가 실제적인 도시 형태에 대해 고해 resolution 보행자 수준 풍속 예측을 위한 효율적이고 유연한 대리 모델을 제공한다고 주장한다. 본 연구의 주요 의의는 임시방편적인 후처리 기법에 의존하지 않고, 딥러닝 기반 공간 예측에서 고유한 "패치 경계" 문제를 해결했다는 점에 있다. 인페인팅 기반의 정밀화 단계를 통합함으로써, 이 방법은 표준 패치 단위 접근 방식보다 물리적으로 더 일관된 매끄러운 전체 필드 예측을 생성한다. 저자들은 이 모델이 일반적인 바람 쾌적성 평가에는 효과적이지만, 현재 극단적인 풍속을 과소평가하고 있다고 언급하며, 향후 가중치 재설정 손실 함수(reweighted loss functions)나 표적 샘플링을 통해 고속 이벤트 예측을 개선하는 데 집중해야 한다고 제언한다.