Deep Learning for Urban Microclimate Downscaling: From Coarse WRF Data to Building-Resolved PALM Simulations
Notice bibliographique
Résumé
Accurate high-resolution urban microclimate modeling, including wind and temperature prediction, is essential for urban planning, occupant comfort analysis, and building energy efficiency optimization. However, traditional computational fluid dynamics (CFD) methods are computationally expensive and time-intensive for applications requiring rapid urban microclimate estimation. This work presents a novel deep learning framework that directly downscales kilometer-scale Weather Research and Forecasting (WRF) model outputs to a 10-meter level resolution 3D urban microclimate for a given geographical setting. By incorporating building geometries as model inputs, our approach captures fine-scale building-induced effects in urban wind and temperature fields, which are absent in WRF's coarse-resolution outputs.The deep learning model is trained and evaluated using urban microclimate data simulated with PALM for a realistic geographical setting in Berlin, Germany, where one week's worth of low-resolution WRF outputs serve as boundary conditions. Our proposed approach follows a two-stage training process. First, a conditional neural field (CNF) encodes the coarse WRF boundary conditions and generates a smooth, building-agnostic 3D flow field at PALM resolution. Next, a geometry-aware Fourier neural operator (FNO) refines this field by incorporating high-resolution building geometries, accurately capturing the complex interactions between airflow and urban structures. To effectively represent complex building geometries, we introduce a multi-directional distance feature (MDDF) that captures long-range spatial relationships between buildings. By producing building-resolved microclimate data from WRF outputs in near-real-time, our approach facilitates applications that are otherwise impractical with conventional CFD solvers. Despite being trained on a limited set of WRF boundary conditions, our model generalizes effectively to unseen conditions, underscoring its potential as a powerful and flexible tool for rapid urban microclimate forecasting and analysis.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».