《Wind》:Variational Autoencoder to Obtain High Resolution Wind Fields from Reanalysis Data
Bernhard R?sch,
Konstantin Zacharias,
Luca Fabian Schlaug,
Daniel Westerfeld,
Stefan Gei?els?der and
Alexander Buchele
编辑推荐:
摘要:本研究利用一组高分辨率计算流体动力学(CFD, Computational Fluid Dynamics)风场模拟数据,训练三种卷积神经网络(CNN, Convolutional Neural Network)变体——普通自编码器(AE, Autoenc
摘要:本研究利用一组高分辨率计算流体动力学(CFD, Computational Fluid Dynamics)风场模拟数据,训练三种卷积神经网络(CNN, Convolutional Neural Network)变体——普通自编码器(AE, Autoencoder)及两种结构相同的变分自编码器(VAE1, VAE2, Variational Autoencoder)——对参考站点的再分析风数据进行降尺度处理,以改善其对地形与森林影响的风速及风向的刻画能力。现有Nefino再分析数据经插值降尺度后,仍难以充分反映地形与森林对风场的影响。研究人员将最接近匹配输入条件的CFD模拟作为基准真值(Ground Truth),对比各模型预测结果与CFD参考值在平均绝对误差(MAE)、标准差(SD)及结构相似性指数测量(SSIM, Structural Similarity Index Measurement)上的表现。AE模型在风速重建上表现尚可,但对峰值风速存在低估,且对部分风向预测误差较大;VAE1在参考输入下能较好重现风场结构(高SSIM),但风向预测变异性大;降低KL散度(Kullback–Leibler Divergence)损失权重的VAE2(factorkl= ?0.05)在整体数据集上对风速精度与AE相当,风向预测标准差更小,综合表现最优。研究表明,基于CFD训练的CNN降尺度模型可有效引入地形与森林效应,VAE2是该研究中较优的方案,扩大含更多风向的训练集有望进一步提升性能。论文发表于《Wind》。
研究背景与意义
现有中尺度再分析风数据(如Nefino产品)经常规插值降尺度后,空间分辨率仍不足,且无法准确表征复杂地形与森林覆盖对局地风速量值与风向分布的影响,制约了其在风能评估、林火管理等领域的高精度应用。计算流体动力学(CFD)模拟虽可解析微尺度地形效应对风场的作用,但计算成本高昂,难以直接对所有气象输入实时运行。因此,有必要借助机器学习方法,学习CFD模拟所蕴含的"大尺度气象输入→微尺度地形修正风场"映射关系,实现快速、高分辨率的地形依赖风场降尺度。《Wind》刊发的此项研究即对此开展探索。
关键技术方法
研究人员采集单一复杂地形及森林覆盖区域的多组稳态CFD风场模拟结果(涵盖不同入流风速与12个离散风向),构建训练、验证与测试数据集(约75%:25%划分)。以Nefino再分析提供的50 m高度u、v方向风速分量作为模型输入,对应CFD全流域二维风场(风速量值与风向)为输出目标。搭建三层CNN架构:①普通自编码器(AE);②变分自编码器(VAE1),KL散度损失权重factorkl= ?0.5;③变分自编码器(VAE2),factorkl= ?0.05(削弱KL约束以强化重构能力)。模型训练至多2000 epoch,早停耐心1000 epoch,批次大小20。评估时选取与输入最匹配的CFD案例作基准,计算预测与基准间的平均绝对误差(MAE)、标准差(SD)及结构相似性指数(SSIM)分别对风速大小与风向图进行对比;不可约误差由±10°与±30°风向偏差的CFD-to-CFD比对量化。
研究结果
3.1 模型描述与训练参数( Model Description and Training Parameters)
三种模型(AE、VAE1、VAE2)采用相同CNN层结构与输入(168个时间步的完整再分析风数据集),均训练2000 epoch并以验证集最低误差轮次评估。VAE1与VAE2额外引入KL散度项及编码器隐空间的正态分布采样;VAE2降低KL损失权重以提升重构保真度。类似配置下单卡(RTX 3060)训练耗时约10–15分钟。
3.2.1 参考输入1的模型变体评估(Evaluation of Model Variations on Reference Input 1)
参考输入1接近平均风速8.06 m/s、风向177.39°。AE低估高风速区2–3 m/s,风向系统性偏高+5至+12.5°,风速SSIM=0.92、风向SSIM=0.70,MAE风速=?1.944,MAE风向=8.206。VAE1重现CFD风场结构优良(风速SSIM=0.99,MAE风速=0.534,SD=0.244;风向MAE=?2.166,SD=1.273),但在部分高风速区略偏高估。VAE2风速略低于CFD参考(MAE风速=?1.174),风向拟合佳(MAE风向=?1.419,SD=0.753),风速SSIM=0.98,风向SSIM高于VAE1,综合最佳。
3.2.2 参考输入2的模型变体评估(Evaluation of Model Variations on Reference Input 2)
参考输入2接近平均风速9.19 m/s、风向270.52°。AE在此工况下风速与风向均与CFD吻合好(风速SSIM=0.99,MAE风速=?0.767,SD=0.169;风向MAE=?0.836,SD=0.535)。VAE1高估风速(MAE风速=1.384,SD=0.258),风向误差偏大(MAE=5.669,SD=1.020),但结构SSIM尚可。VAE2风速偏低(MAE风速=?0.700,SD=0.132),风向误差适中(MAE=2.698,SD=1.174),SSIM与AE接近。表明不同模型对不同入流条件敏感性不同。
3.2.3 完整输入数据集的模型变体评估(Evaluation of Model Variations on a Complete Input Dataset)
对整个再分析数据集:AE风速MAE=?0.905(SD=0.599),风向MAE=1.842(SD=11.137);VAE1风速MAE略小但SD增大(风速SD变大,风向SD=增大至超VAE2/AE),个别样本SSIM低至0.5;VAE2风速MAE=?0.951(SD=0.678),风向MAE=2.004(SD=9.777),平均SSIM与AE相当或略优,无低于0.5的风向SSIM异常值。VAE2在全域稳定性上优于VAE1,风速精度与AE可比且风向波动更小。
讨论与结论翻译
讨论指出AE对特定风向(参考输入1)重建差,反映训练集风向分辨率有限(仅12个方向);VAE1因较强KL约束致潜空间过度正则化,部分输入重构退化、误差散布大;VAE2减小KL权重后更贴近AE的重构目标同时保留概率建模能力,全域表现最均衡。排除9–11 m/s风速的训练集对照实验未见指标显著变化。作者认为扩大含更密风向分辨率的CFD训练集、纳入多地形训练可实现跨地形泛化,是后续方向。
结论:经CFD模拟训练的CNN降尺度模型中,AE可捕捉基本风速分布但对某些风向及峰值风速欠佳;VAE1改善风场结构重建但预测变异性大;降低KL损失权重的VAE2在参考输入与完整数据集上综合表现最优——风速重构精度匹敌AE,风向预测更稳定,且保持概率特性。该方法可为复杂地形与林区快速生成高分辨率地形依赖风场,服务于风能评估与林火管理等应用。