摘要

精准预测城市风场，是改善空气污染、优化城市通风、评估风能资源的关键前提，对实现可持续城市发展具有重要意义。然而，传统计算流体力学（CFD）方法虽可靠，却因计算耗时漫长而难以投入真实城市风场预报应用。为此，本研究创新性地引入深度学习（DL）技术，开发一种新一代的城市风场快速预报工具。

本研究的核心创新在于提出一项关键假设：城市冠层内时间平均后风速的空间分布与局部建筑几何形态存在强关联性。基于此，我们针对理想化二维街道峡谷构建了风场预测模型, 通过设计建筑几何特征读取卷积（GRF），将目标位置周边的建筑几何信息转化为DL模型可处理的数值阵列，再利用大涡模拟（LES）数据训练DL模型，最终实现对街道峡谷内平均风场与湍流特征的精准预测。

验证结果表明，本模型在测试场景下表现优异：风场参数预测与LES结果比较误差在5.8%至36%之间，同时与实验测量结果吻合。尤为重要的是，该模型将传统需耗时数日的CFD计算缩短至数秒之内。这项研究为城市风环境的实时评估、城市规划提供了坚实可靠的技术路径，展现出广阔的工程应用前景。

关键词：城市风环境；深度学习预测模型；大涡模拟；二维街道峡谷

01 背景介绍

精准预测城市建筑环境中的风场与污染物扩散，对多项环境与工程应用具有重要科学价值与实际意义。相关研究成果可为城市通风效能评估、强风灾害风险识别、空气质量预报等提供关键数据支撑，并对发展中尺度数值天气预报模型的高精度城市地表参数化方案具有重要推动作用。

当前，以雷诺平均纳维-斯托克斯模拟（RANS）和大涡模拟（LES）为代表的计算流体力学（CFD）方法，已成为研究城市微尺度流动与输运过程的重要数值工具。然而，在真实复杂城市环境下，获取高精度流场与污染物扩散模拟结果仍面临计算成本高昂的问题，这严重制约了CFD方法在实际城市风场预报与微气候评估中的工程应用。

针对上述挑战，本研究旨在基于深度学习技术，发展一种适用于不同城市建筑形态的快速风场预测新方法，以提升城市微气候模拟的实用性与计算效率，推动高分辨率城市气象与环境模拟向实用化方向发展。

02 核心内容

（1）建筑几何特征读取卷积（GRF）

我们假设城市环境中流动参数的空间变化与局部建筑几何形态（如建筑后方形成的尾流区和两侧风速增强区）之间存在强相关性。为构建模型，我们开发了一种建筑几何特征读取卷积（GRF），用于提取局部城市几何信息并将其转化为深度学习模型的数值输入。具体而言，该方法以预测位置为中心，将周边区域划分为若干正方形子区域（图1），并为每个子区域分配一个0到1之间的连续数值，表示该区域被建筑实体占据的空间比例。例如，子区域完全位于建筑内部时赋值为1，完全处于室外空气区域时赋值为0。通过这种转换，GRF将城市形态信息编码为数值阵列，作为神经网络模型的输入，进而实现对目标位置时均流速分量及湍流相关物理量的预测。

图1 城市街道峡谷建筑几何特征读取卷积（GRF）示意图

（2）LES训练数据集

本研究采用开源CFD软件OpenFOAM，对20种不同的理想化二维城市街道峡谷模型进行大涡模拟(LES)，以构建深度学习模型的训练数据集。这些街道峡谷几何形态涵盖不同的建筑高度-宽度比（h/w）和建筑高度-街道宽度比（h/b）(图2)，其中h/w的取值范围为1至3，h/b的取值范围为1至5。

图2 城市街谷LES计算域剖面（x-z平面）示意图

（3）深度学习预测结果与LES数据对比

图3-图5展示了训练完成的深度学习模型在6个测试案例中的城市风场预测结果，并与对应的大涡模拟（LES）结果进行对比。可以看出，DL模型对平均流速分量的预测与LES结果高度一致；在湍流统计量方面，DL模型亦能给出良好预测，其误差略高于平均流速分量的预测结果。

图3 不同高宽比（h/b）城市街道峡谷的归一化平均速度分布图：(i) LES计算结果，(ii) DL模型预测结果，(iii) LES与DL预测结果差异（对应h/b值分别为：(a) 0.25, (b) 0.50, (c) 1.00, (d) 1.25, (e) 2.00, (f) 2.50）

图4 不同高宽比（h/b）城市街道峡谷的归一化湍流剪应 分布图：(i) LES计算结果，(ii) DL模型预测结果，(iii) LES与DL预测结果差异（对应h/b值分别为：(a) 0.25, (b) 0.50, (c) 1.00, (d) 1.25, (e) 2.00, (f) 2.50）

图5 不同高宽比（h/b）条件下DL模型预测与LES结果对比图：(i) 流向平均速度, (ii) 垂向平均速度, (iii) 流向湍流强度, (iv) 湍流剪应力

（附决定系数R²评估预测精度）

（4）深度学习预测与风洞实验数据对比

本研究采用开源CFD软件OpenFOAM，对20种不同的理想化二维城市街道峡谷模型进行大涡模拟(LES)，以构建深度学习模型的训练数据集。这些街道峡谷几何形态涵盖不同的建筑高度-宽度比（h/w）和建筑高度-街道宽度比（h/b）(图2)，其中h/w的取值范围为1至3，h/b的取值范围为1至5。图6进一步将深度学习模型的预测结果，与Li等（2008）的水洞实验数据、以及Katsuki等（2012）对日本东京实景街道峡谷的风洞与现场测量数据进行了对比。结果显示，DL模型所预测的归一化平均速度垂直风速廓线随h/b的变化趋势与实验数据整体吻合良好；同时，在湍流强度随h/b变化的形态与幅值方面，模型预测也与实测结果具有合理的一致性。

图6 （a）与（b）在街道峡谷不同位置的垂向分布对比：（i）街谷中心线上游0.25b处，（ii）街谷中心线处，（iii）街谷中心线下游0.25b处（包含DL模型预测值，Li等（2008）水洞实验数据，Katsuki等（2012）风洞与实地测量数据）

本研究基于深度学习方法，创新性地提出建筑几何特征读取卷积（GRF）框架, 构建了面向城市风场的高效预测模型。该模型结构简洁、扩展性强，可灵活适应多样化城市形态。其核心优势在于：通过GRF对局部几何特征的提取能力，仅需数秒即可在普通笔记本电脑上实现二维风速与湍流强度的精准预测，显著突破了传统CFD模拟的效率瓶颈。该成果实现了城市风场预测效率的数量级提升，为高精度城市风环境模拟的工程应用提供了关键技术支撑。

作者  

Wai-Chi Cheng^1,2*, Tzung-May Fu^1,2,3*

1 Shenzhen Key Laboratory of Precision Measurement and Early Warning Technology for Urban Environmental Health Risks, School of Environmental Science and Engineering, Southern University of Science and Technology, Shenzhen, Guangdong 518055, China

2 Guangdong Provincial Observation and Research Station for Coastal Atmosphere and Climate of the Greater Bay Area, School of Environmental Science and Engineering, Southern University of Science and Technology, Shenzhen, Guangdong 518055, China

3 National Center for Applied Mathematics, Shenzhen (NCAMS), Shenzhen, Guangdong 518055, China

作者团队简介

该论文共有两名作者, 第一作者是南方科技大学环境学院郑伟智研究助理教授，第二作者是南方科技大学环境学院傅宗玫教授, 两名作者均是文章的通讯作者。

引用

Cheng WC, Fu TM, (2025). Accelerating urban street canyon wind flow predictions with deep learning method. Building Simulation, 18: 923–936.

https://doi.org/10.1007/s12273-025-1243-9

期刊介绍

Building Simulation 2008年创刊，是世界上第一本有关建筑模拟领域最新研究成果的英文学术期刊，跨多种学科领域，涉及建筑技术、土木工程、建筑学、环境工程、能源及动力工程等，致力于为中外同行提供一个高水平的学术交流平台。被SCI、EI Compendex、Scopus、CSCD、中国科技核心期刊等数据库收录。2025年SCI影响因子5.9，在JCR两个学科领域均位于Q1区；位于中国科学院期刊分区，工程技术类1区Top。