如何数据高效地预测三维城市风场与温度场？

决定信号的是几何，不是模拟数据量

FLUME 的前提是：在给定的入流和热强迫下，时均风场和温度场的大部分空间变化由周围建筑几何决定。若这一前提成立，模型就不必记住成千上万个完整 CFD 场，只需对每个点周围的开放空间作紧凑描述，并积累足够样例来学习这种空间如何塑造流动。

该框架建立在傅里叶神经算子之上，学习的是场与场之间的映射，而不是逐步求解控制方程。FLUME 并不学习从整座城市到整个三维场的单一映射，而是把模拟切成更小的三维块，在局部学习。正是这种分解让 23 个 CFD 算例变得够用：每个算例贡献许多块，每块把局部几何描述与对应的 CFD 速度、温度值配对。

几何描述由多方向距离特征（MDDF）承担。对每个网格点，它记录沿不同方向、在直线射线碰到建筑表面之前，无遮挡空间能延伸多远。论文称之为视线自由空间。气流实际上并不沿直线传播，但作者认为，这种基于可见性的度量能捕捉局部阻塞、导流和尾流形成，而固定尺寸的块会漏掉这些信息，因为开阔广场和狭窄缝隙没有共同的固定尺度。

23 个街区的 CFD 构成训练集

真值来自 CityFFD，一个基于 GPU 的大涡模拟求解器，运行在 33 个取自真实城市的城市形态上，包括伦敦、蒙特利尔、东京、新加坡和香港。算例覆盖 1.2 km × 1.2 km 的区域，另有两个更大的 3 km × 3 km 配置，近建筑网格分辨率为 4 m × 4 m × 1.5 m。每个 1.2 km 算例在 1400 万网格上使用一块 GPU 运行约八小时。

整个数据集的强迫条件固定：开阔地形入流廓线，10 m 高度处 U = 4 m/s；建筑表面保持 40 °C，入口空气 30 °C，不模拟辐射。时均场在 2.7 小时模拟的前一小时预热之后提取。33 个算例中只有 23 个用于训练，其余用于测试和验证，包括结果中报告的两个未见配置。

这一设计对理解精度数字很重要。参照对象是模拟而非现场实测，因此报告的误差衡量的是与 CityFFD 在单一入流和热设定下的一致程度，而不是与真实场地观测气温或风速的一致程度。

顺流速度与温度迁移最好

在未见的 1.2 km 蒙特利尔市中心配置上，FLUME 对顺流速度 U 和温度 T 的 R² 均为 0.97，FAC2 分别为 0.98 和 1.00。FAC2 是预测值落在参照值两倍以内、或在零附近落在小绝对区间内的比例；它回答的问题与 R² 不同，后者描述空间方差被复现的比例。此处两者指向一致。

次级速度分量更难。横向速度 V 的 R² 为 0.86，垂直速度 W 为 0.83，所有平均绝对误差都低于论文设定的实用阈值：速度分量 0.5 m/s，温度 1 °C。论文认为这种排序——U 和 T 最好、V 和 W 较弱——在物理上是一致的，因为转向、分离和回流对精细几何细节更敏感。

更大的未见算例是 3 km × 3 km 的大阪区域，性能仅小幅下降：U 的 R² 为 0.95，T 为 0.98，V 为 0.78，W 为 0.70。平均绝对误差为 U 0.31 m/s、V 0.05 m/s、W 0.09 m/s、T 0.18 °C，FAC2 分别为 0.99、0.86、0.79 和 1.00。摘要中的头条数字 0.2 m/s 和 0.19 °C 位于这一区间的有利一端；判断放大到更大区域时，应留意的是较大区域上 0.31 m/s 的顺流误差。

屋顶剪切层与尾流最先变模糊

空间对比显示，模型保留了大尺度结构：开阔区域的高速走廊、密集核心区内的遮蔽低速区，以及横跨区域的连贯尾流带。四个变量中温度一致性最强，暖的城市核心和较凉的外围被较准确地复现，残差集中在区域边缘和通风不良的角落。

损失出现在急剧过渡处。FLUME 会平滑屋顶附近以及较高障碍物正后方的一些狭窄梯度，那里分离和再附着造成突变的局部变化。垂直速度是最具挑战的变量，在屋顶诱导的垂直交换和回流环区域散布更宽。论文将其归因于基于块的表述方式，它对突变局部特征的还原不如宽缓特征精确。

3 km 算例还检验了数据构成问题。训练集中只有一个算例（Case 31）来自规模相当的大区域，其余都是较小的 1.2 km 算例。作者训练了一个去掉 Case 31 的单独模型，以考察这一个大面积样例贡献了多少；这说明放大结果的前提是训练集中至少有一个规模相当的区域，而不只是块分解本身。

集成离散度标出困难区域

深度集成提供了一种实用的认知不确定性代理，保形预测把集成离散度转换为经过校准的预测区间。有用的性质不只是校准，还有空间结构：离散度与所有变量的局部预测误差正相关，因此更宽的区间往往出现在模型实际更常出错的地方。

区间变宽跟随空气动力学复杂度。在几何干扰有限的来流中区间最窄，在建筑尾流、建筑之间的导流通道、屋顶剪切层以及近地面垂直速度处变宽。温度区间在屋顶以上保持较窄，主要在近地面变宽，那里受热立面和遮蔽直接塑造局部热场。

校准按名义覆盖率检验：在 70% 水平上，观测覆盖率为 66.6–75.8%；在 30% 水平上，case 0 为 28.8–32.3%。值得注意的是，校准使用了完全不同的城市（case 8、20、24），这支持不确定性校准可跨几何迁移。区间并非处处有保证：在两个导流和尾流位置，CityFFD 廓线在部分高度上落在 U、V、W 的区间之外。

固定强迫下，数秒取代数小时

训练完成后，FLUME 约 10 秒生成一次完整三维预测，计入 MDDF 计算后总预测时间仍不到一分钟。论文的比较对象是 CFD：对实际尺度的建筑解析算例，需要数十到数百 CPU 或 GPU 小时；即便使用基于 GPU 的 CityFFD 求解器，在本研究涉及的尺度上每个算例也约需八小时。

正是这种速度让快速情景筛查成为可能，但适用范围本身就是结果的一部分。所有训练和评估都使用单一入流速度和方向以及固定热强迫，因此方法中描述的旋转和重缩放流程尚未验证。跨入流速度与方向、大气稳定度、热边界条件和中尺度状态的泛化，明确不在论文范围内。

分辨率是第二个边界。4 m × 4 m × 1.5 m 的近建筑网格能解析主要冠层流动，但解析不了与狭窄街道行人舒适或立面构件周围细节流动相关的更小湍流结构。作者把与更高分辨率 CFD 耦合、检验精度如何随网格细化变化列为未来工作。

该看的阈值是 0.5 m/s 和 1 °C

论文以速度分量 0.5 m/s、温度 1 °C 作为实际可接受阈值，这些阈值取自城市微气候与风工程文献，用于行人风评估、热舒适和城市能耗建模。所有报告的平均绝对误差都低于这些阈值，包括较大未见区域上 0.31 m/s 的顺流误差，这是头条数字中余量最小的一个。

更有信息量的划分是按变量和区域，而不是按城市。顺流速度和温度是可靠输出；横向和垂直速度需要谨慎对待，尤其是在尾流、导流通道和屋顶剪切层，那里集成区间变宽，参照廓线偶尔落在区间之外。筛查建筑布局的用户可以依赖 U 和 T 场，并把 V 和 W 视为指示性结果，用保形区间作为局部可靠性信号。

论文自身的定位是：FLUME 是迈向几何感知、不确定性感知模拟器的第一步，而不是在各类条件下经过验证的 CFD 替代品。其独特贡献在于组合：基于块的学习加上由可见性定义的几何特征，使 23 个 CFD 算例足够；再叠加一层不确定性，其离散度跟随每个位置的空气动力学难度。由此得出的实际优先级是：用校准后的区间而非全局误差平均值，判断某个预测场对特定设计问题是否足够可信。

本文引用的文献