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

Technische Samenvatting: Inpainting U-Net voor Naadloze Voorspelling van Wind op Voetgangersniveau

Probleemstelling
Voorspelling van wind op voetgangersniveau is cruciaal voor stedelijk ontwerp, veiligheid en de beoordeling van windcomfort. Hoewel hoogwaardige Computational Fluid Dynamics (CFD), zoals Large Eddy Simulation (LES), nauwkeurige resultaten biedt, blijft dit computationeel kostbaar, wat snelle evaluatie over diverse stedelijke morfologieën belemmert. Datagestuurde surrogaatmodellen, met name Convolutionele Neurale Netwerken (CNN's) zoals U-Net, bieden een sneller alternatief. Een aanzienlijke beperking bij het toepassen van U-Net op grote stedelijke domeinen is echter de "patch-wise" inferentiestrategie. Om geheugen en resolutie te beheren, wordt het invoerdomein doorgaans verdeeld in vaste grootte patches die onafhankelijk worden verwerkt. Deze aanpak resulteert vaak in discontinuïteiten en inconsistenties bij de grenzen van de patches wanneer deze patches worden samengevoegd tot een globale oplossing. Bestaande nabewerkingmethoden (bijv. gemiddelde over overlappende vensters) verzachten deze discontinuïteiten statistisch, maar missen een expliciete fysieke basis of het vermogen om de omliggende stromingscontext effectief te integreren.

Methodologie
De studie stelt een twee-fasen U-Net framework voor dat is ontworpen om naadloze, hoog-resolutie voorspellingen te genereren van de tijdsgemiddelde windsnelheid op voetgangersniveau over realistische stedelijke morfologieën. Het framework maakt gebruik van de UrbanTALES dataset, een grootschalige LES-database die 288 realistische stedelijke configuraties bevat met variërende dichtheden, lay-outs en windrichtingen.

1. Data Preprocessing:

   • Normalisatie: Gebouwhoogtes, fetch-afstanden en windsnelheden worden genormaliseerd naar het eenheidsinterval met behulp van percentielgebaseerde schaling (bijv. 95e percentiel voor hoogte, 99e voor snelheid).
   • Rotatie en Expansie: Om willekeurige windrichtingen te kunnen afhandelen zonder expliciete directionele input, wordt het volledige domein geroteerd zodat de naderende wind uitlijnt met de positieve x-as. Het domein wordt uitgebreid naar een $3 \times 3$ getiled veld onder periodieke randvoorwaarden om de beschikbaarheid van context voor randpatches te garanderen.
   • Patch Extractie: Trainingsdata wordt geëxtraheerd als patches van vaste grootte.

2. Fase 1: Basismodel (M1):

   • Architectuur: Een standaard U-Net met vier resolutieniveaus, encoder-decoder structuur en skip-verbindingen.
   • Input: Genormaliseerde topografie (gebouwmasker met hoogte) en genormaliseerde fetch (afstand tot het gebouw stroomopwaarts) voor een $128 \times 128$ pixel patch ($128 \text{m} \times 128 \text{m}$ bij $1\text{m}$ resolutie).
   • Output: Voorspelde genormaliseerde windsnelheid voor dezelfde $128 \times 128$ patch.
   • Functie: M1 leert de primaire mapping van lokale morfologie naar windsnelheid en legt de algemene ruimtelijke verdeling vast.

3. Fase 2: Verfijningsmodel (M2) - Inpainting Strategie:

   • Architectuur: Identieke U-Net architectuur als M1 maar met een grotere input/output grootte ($192 \times 192$ pixels).
   • Input: Een composietveld bestaande uit de centrale $128 \times 128$ regio (voorspeld door M1) omgeven door een marge van grondwaarheid flow-data (tijdens training) of M1-voorspellingen (tijdens inferentie), samen met de corresponderende $192 \times 192$ topografie.
   • Functie: M2 fungeert als een inpainting-model. Het gebruikt de omliggende flow-context om randdiscontinuïteiten te corrigeren en lokale details in de M1-voorspelling te verfijnen.
   • Inferentie Schema: Tijdens volledige veldinferentie wordt M2 iteratief toegepast met behulp van een Gauss-Seidel schema. Patches worden sequentieel verwerkt, waarbij de bijgewerkte centrale regio direct wordt gebruikt als context voor opeenvolgende patches. Een onder-relaxiatiefactor ($\alpha = 0,2$) wordt toegepast om stabiliteit te garanderen. De iteratie gaat door totdat de gemiddelde absolute verschil tussen opeenvolgende iteraties convergeert.

Belangrijkste Bijdragen

• Twee-fasen Framework: De introductie van een specifiek twee-fasen pipeline waarbij een baseline patch-wise model wordt gevolgd door een inpainting-gebaseerd verfijningsmodel om randartefacten aan te pakken.
• Inpainting voor Stromingscontinuïteit: In tegenstelling tot traditionele smoothing-technieken leert M2 expliciet om ontbrekende of inconsistente regio's te reconstrueren met behulp van naburige flow-informatie, waarbij het randdiscontinuïteiten effectief behandelt als "ontbrekende data" die op basis van fysieke context moet worden ingevuld.
• Schaalbaarheid van Willekeurige Domeinen: Het framework behoudt de flexibiliteit van patch-gebaseerde inferentie (waardoor voorspelling over domeinen van willekeurige grootte mogelijk is) terwijl het naadloze full-field outputs bereikt door het iteratieve verfijningsproces.
• Rotatie-invariante Training: Door inputs te roteren om ze uit te lijnen met de x-as, leren de modellen richting-agnostische kenmerken, waardoor de noodzaak voor windrichting als een expliciete inputkanaal wordt geëlimineerd.

Resultaten

• Patch-Level Prestaties (M1): M1 legt lage- en matige snelheidregio's en de algemene ruimtelijke verdeling van de windsnelheid accuraat vast. Het heeft echter de neiging om hoge snelheidspieken (bijv. nabij gebouwhoeken) te onderschatten en presteert minder effectief op patches met een lage dichtheid en beperkte morfologische informatie.
• Verfijningsprestaties (M2): M2 vermindert patch-randartefacten aanzienlijk en verbetert de ruimtelijke coherentie. Het vlakt discontinuïteiten effectief uit terwijl de algehele flowstructuur behouden blijft. In sommige gevallen verbetert M2 de voorspelling van hoge snelheden door randinformatie te benutten, hoewel het niet alle grootschalige structurele fouten van M1 kan corrigeren.
• Full-Field Prestaties: Op 18 ongeziene stedelijke gevallen reproduceert het framework de gemiddelde windsnelheid en ruimtelijke variabiliteit (standaarddeviatie) redelijk goed vergeleken met de LES-grondwaarheid. De gemiddelde snelheid en standaarddeviatie vertonen een sterke overeenkomst met de grondwaarheid. Echter, maximale snelheden blijven onderschat, wat aangeeft dat het model moeite heeft met extreme lokale windgebeurtenissen. Het framework vertoont geen significante systematische bias gerelateerd aan windrichting na rotatie.

Betekenis en Claims
Het artikel claimt dat het voorgestelde framework een efficiënt en flexibel surrogaatmodel biedt voor hoog-resolutie voorspelling van wind op voetgangersniveau over realistische stedelijke morfologieën. De primaire betekenis ligt in het oplossen van het "patch-boundary" probleem dat inherent is aan deep learning-gebaseerde ruimtelijke voorspelling, zonder terug te vallen op ad-hoc nabewerking. Door een inpainting-gebaseerde verfijningsstap te integreren, produceert de methode naadloze full-field voorspellingen die fysiek consistenter zijn dan standaard patch-wise benaderingen. De auteurs merken op dat hoewel het model effectief is voor algemene beoordelingen van windcomfort, het momenteel extreme windsnelheden onderschat, wat suggereert dat toekomstig werk zich moet richten op het verbeteren van de voorspelling van hoge snelheidsevenementen door middel van hergewogen verliesfuncties of gerichte sampling.