基于深度学习和稀疏数据的建筑群风场重建方法和系统

本发明属于风场重建，特别是指一种基于深度学习和稀疏数据的建筑群风场重建方法和系统。

背景技术：

1、随着全球气候变化影响的日益加剧，城市作为人口与经济活动高度集中的区域，其气候脆弱性愈发凸显。在此背景下，城市风场研究对于缓解气候变化带来的负面效应具有关键意义，尤其在改善空气质量、缓解热岛效应、优化街区通风性能以及提升行人风环境舒适度等方面发挥着重要作用。

2、传统的城市风场获取方法主要依赖于计算流体力学（cfd）数值模拟。虽然cfd模拟能够提供高精度的流场信息，但其计算成本极高，特别是对于大尺度的城市建筑群进行三维大涡模拟时，往往需要数小时甚至数天的计算时间，难以满足实时监测与快速评估的需求。此外，在实际城市环境中，受限于成本和安装条件，通常只能稀疏布置少量风速传感器（约占空间数据总量的1%以下），无法获取全场的风场分布信息。

3、现有的风场重建方法主要分为两类：一是基于空间插值的传统方法，如径向基函数插值、反距离加权插值和克里金插值等。这些方法仅依赖局部邻域信息，计算复杂度较低，但难以捕获风场中复杂的非线性空间分布特征和长距离的空间依赖关系，尤其在建筑密集区域，预测精度往往不能满足要求。二是基于深度学习的图像超分辨率重建方法，将风场视为二维图像进行处理。然而，这类方法通常依赖于规则网格和稠密的数据输入，难以直接处理稀疏、分布不规则的监测点数据，且纯数据驱动的模型容易产生违背基本物理规律（如建筑内部风速不为零、流场不连续）的预测结果，物理可解释性差。

4、因此，现有技术中缺乏一种能够利用极稀疏的监测点数据，在保证高精度和物理合理性的同时，实现秒级响应的城市尺度风场快速重建方法。

技术实现思路

1、为了解决上述现有技术存在的技术问题，本发明提供了一种基于深度学习和稀疏数据的建筑群风场重建方法和系统，所述技术方案如下：

2、一方面，提供了一种基于深度学习和稀疏数据的建筑群风场重建方法，该方法包括：

3、s1、获取目标区域内稀疏布置的监测点的风速数据、目标区域内所有网格点的位置坐标以及建筑掩码，所述监测点的数量少于网格点总数；

4、s2、将所述监测点的风速数据、所有网格点的位置坐标以及建筑掩码输入训练完成的基于transformer架构的风场重建模型，所述风场重建模型包括位置编码与特征融合模块peffm和基于物理信息的transformer编码器pite；

5、其中所述peffm对位置坐标进行多尺度编码得到位置编码特征，并将位置编码特征与风速特征采用多阶段融合机制进行融合，生成融合特征序列；

6、所述pite包括多层transformer编码器块，通过全局自注意力机制对所述融合特征序列进行处理，实现监测点与网格点之间的信息交互，并输出全场网格点的预测风速；

7、s3、根据所述预测风速，获取城市建筑群的全场风场分布。

8、可选地，所述建筑掩码的获取方法包括：

9、基于目标区域建筑物外轮廓多边形与计算网格点坐标 (x,y)，对每个网格点执行对应点与多边形空间关系判定；

10、当网格点位于建筑外轮廓内部时，标记为建筑内点，掩码值为1，当网格点位于建筑外轮廓外部时，标记为流体区域点，掩码值为0；当网格点位于建筑边界线上时，归入建筑内点，以获得与计算网格一一对应的建筑二维掩码。

11、可选地，所述peffm对位置坐标进行多尺度编码包括：采用fourier高频编码将二维位置坐标映射为高维位置编码特征，该编码使用一组对数采样的频率序列，对每个频率分别计算正弦和余弦函数值，并在特征维度拼接得到多尺度位置编码，以增强模型对不同空间尺度流场变化的表征能力；

12、并且所述pite的transformer编码器里通过注意力计算引入旋转位置编码rope，根据位置坐标对查询向量q和键向量k施加旋转变换，以显式注入相对位置信息，提升模型对空间相对关系及非局部耦合结构的建模能力。

13、可选地，所述peffm对位置编码特征与风速特征采用多阶段融合机制进行融合，包括：

14、首先，将所述位置编码特征与归一化风速值得到的风速特征在特征维度进行拼接，并通过线性投影映射至模型主维度，获得初始主干特征；

15、随后，将所述位置编码特征经独立线性变换后与所述初始主干特征进行逐元素加和注入，以强化空间位置信息对主干表示的约束；

16、最后，所述建筑掩码通过一个独立的线性层进行处理，生成一个与模型维度对齐的建筑信息偏置向量，所述建筑信息偏置向量以广播方式加到所述初始主干特征，等效于为建筑内部的所有点赋予了一个独特的特征偏置，使网络能够从第一层开始就明确区分不可流通的固体区域与可流通的流体区域。

17、可选地，所述pite，包括：输入特征子模块、多层transformer编码器子模块和输出投影子模块；

18、其中所述输入特征子模块，接收所述peffm输出的融合特征序列作为唯一输入，不再引入新的输入设计；

19、所述多层transformer编码器子模块，由n个结构相同的编码块堆叠形成，每个编码块包括：层归一化、多头自注意力、残差连接和前馈网络，用于建模全局空间依赖并提取上下文风场特征；

20、所述输出投影子模块，将编码器输出映射为网格点风速预测，并且将建筑掩码作为输出约束：在输出端对建筑内部网格点的预测风速进行置零处理，以满足边界物理约束。

21、可选地，所述多头自注意力中，先由输入特征分别经线性变换得到查询向量q、键向量k和值向量v；

22、然后基于建筑掩码构造注意力掩码矩阵m，所述m用于标识建筑内部点与流体区域点之间不允许进行信息交互的点对关系；

23、在注意力得分计算阶段，将所述m作为加性约束施加于缩放点积得分 ()，经softmax后使该类点对的注意力权重趋近于零，由此，注意力聚合在非建筑区域有效点之间进行，建筑内部点仅作为边界约束对象而不参与非物理信息传播，其中，采用多头自注意力可在多个特征子空间并行建模不同空间尺度与方向上的流场关联，从而同时表征局部绕流细节与全局耦合结构，并在建筑遮挡约束下提升风场重建精度与稳定性。

24、可选地，所述基于建筑掩码构造注意力掩码矩阵m的方法包括：

25、获取与注意力计算点数s一一对应的建筑掩码向量其中bi=1表示第i个点位于建筑内部，bi=0表示第i个点位于非建筑区域，所述注意力点数为参与计算的网格点数；

26、基于所述建筑掩码向量构造点对级注意力掩码矩阵当点对（i,j）属于预设非物理交互关系时令mij=1，否则令mij=0，其中所述预设非物理交互关系是建筑内部点与非建筑区域点之间的交互关系。

27、可选地，所述在注意力得分计算阶段，将所述m作为加性约束施加于缩放点积得分()的具体过程如下：

28、在多头自注意力计算中，先由输入特征经线性变换获得查询向量q、键向量 k和值向量v，并计算缩放点积得分 ；

29、再将所述m 转换为加性惩罚项并叠加至所述缩放点积得分：

30、对  的位置赋予极小常数惩罚值，对  的位置赋零惩罚值，其中，赋零惩罚值表示不对原始注意力得分进行额外偏移，使得对应点对之间的信息交互得以保留，即允许注意力的计算正常进行；而赋予极小常数惩罚值相当于在缩放点积得分上叠加一个极大的负向偏置，经softmax归一化后，该位置的注意力权重被抑制为趋近于零，从而禁止建筑内部点与流体区域点之间的跨边界信息传播，确保模型只关注物理上允许的流体区域内部关联。

31、可选地，所述风场重建模型训练过程中采用的损失函数包括数据拟合损失和物理约束损失：

32、

33、其中为物理权重系数；

34、其中所述数据拟合损失计算所有网格点处预测风速与真实风速之间的误差；

35、所述物理约束损失包括：边界条件约束项、平滑性约束项和连续性方程约束项，以提高预测结果的物理一致性，其完整表达式为：

36、

37、

38、

39、

40、其中、为第 i 个空间离散点上深度学习模型给出的预测分量；

41、边界条件约束损失项

loss

boundary强制建筑内部风速为零，符合无滑移壁面条件，通过计算建筑掩码

m

i=1 区域内预测风速的平方和来表示；

42、平滑性约束损失项

loss

smooth为促进风场在空间上的连续性，通过惩罚相邻网格点风速大小的剧烈变化来表示；

43、连续性方程约束

loss

cont则是要求在流体区域

m

i=0符合不可压缩流体的质量守恒定律。

44、另一方面，提供了一种基于深度学习和稀疏数据的建筑群风场重建系统，所述系统包括：

45、获取模块，用于获取目标区域内稀疏布置的监测点的风速数据、目标区域内所有网格点的位置坐标以及建筑掩码，所述监测点的数量少于网格点总数；

46、风场重建模型，用于将所述监测点的风速数据、所有网格点的位置坐标以及建筑掩码输入训练完成的基于transformer架构的风场重建模型，所述风场重建模型包括位置编码与特征融合peffm和基于物理信息的transformer编码器pite；

47、其中所述peffm对位置坐标进行多尺度编码得到位置编码特征，并将位置编码特征与风速特征采用多阶段融合机制进行融合，生成融合特征序列；

48、所述pite包括多层transformer编码器块，通过全局自注意力机制对所述融合特征序列进行处理，实现监测点与网格点之间的信息交互，并输出全场网格点的预测风速；

49、重建模块，用于根据所述预测风速，重建城市建筑群的全场风场分布。

50、另一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述基于深度学习和稀疏数据的建筑群风场重建方法。

51、另一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述基于深度学习和稀疏数据的建筑群风场重建方法。

52、本发明提供的技术方案带来的有益效果至少包括：

53、本发明适用于极稀疏数据场景，能够有效利用占空间数据总量约1%的极稀疏监测点数据进行全场重建，在实际城市环境中具有极高的应用价值和部署可行性，具体的：

54、（1）本发明基于深度学习模型的方法实现了快速高效的风场获取，一旦模型训练完成，便可在秒级时间内从稀疏监测点数据重建出全域风场，其速度远快于传统的cfd数值模拟方法，能够充分满足城市风环境的实时监测与快速评估需求。

55、（2）本发明实现了高精度重建，通过transformer的自注意力机制，模型能够实现监测点与网格点之间的全局信息交互，有效捕获长距离的空间依赖关系，其性能显著优于仅依赖局部信息的传统插值方法。

56、（3）本发明确保了预测结果的物理一致性，通过引入基于物理信息的损失函数（包括边界条件约束、平滑性约束和连续性约束），并将建筑掩码融入模型结构，确保了预测结果在建筑内部速度为零、流场空间连续等方面符合基本物理规律，从而显著提高了模型的可解释性和鲁棒性。

57、（4）本发明具备多尺度空间感知能力，通过peffm中的fourier多频率编码和pite中的rope旋转位置编码，模型能够同时捕获从街区尺度到建筑局部尺度的风场特征，精细刻画建筑绕流等局部湍流结构。