Conditional Flow Matching 用于生成三维多变量瞬时城市微气候场

arXiv:2610.10430v1 公告类型：cross 摘要：快速、准确地预测城市风场和温度场，对于城市微气候设计与气候适应至关重要。大涡模拟（LES）能够有效解析这些瞬时场，但由于计算成本高，其在城市微气候应用的迭代设计中的使用受到限制。现有的回归式数据驱动模型能够快速输出结果，但只能生成确定性的点预测，因而无法从根本上表征湍流的随机性。本文采用一种新颖的生成式框架 Conditional Flow Matching（CFM），以建筑几何和平均流场作为引导，在数秒内生成符合城市微气候特征的、合理的三维瞬时速度场和温度场。为克服像素空间三维生成中的 GPU 显存瓶颈，该模型通过共享噪声初始化，在重叠的像素空间块上并行运行，从而保持整个计算域内流动结构的高空间连续性。与参考 LES 数据相比，CFM 替代模型能够快速、准确地恢复一阶统计量：风场和温度场的归一化均方根误差（NRMSE）分别为 2.99% 和 1.77%；二阶湍流指标的 NRMSE 分别为 7.17% 和 8.84%；湍动能的 NRMSE 为 7%。此外，该模型还能恢复代表性位置处的概率密度函数和垂直剖面。局地阵风预测的风工程应用表明，CFM 兼具速度和准确性，有助于利用生成式 AI，使面向湍流感知的韧性城市设计与气候适应在计算上更加可行。