[论文解读] Ensemble flow reconstruction in the atmospheric boundary layer from spatially limited measurements through latent diffusion models

Alex Rybchuk, Malik Hassanaly+4 more|arXiv (Cornell University)|Mar 1, 2023

Meteorological Phenomena and Simulations参考文献 66被引用 6

一句话总结

本文提出一种潜在扩散模型（LDM），用于从空间稀疏测量中重建三维湍流大气边界层（ABL）流场，将流场重建问题视为图像修复问题。该方法即使在观测覆盖区域不足整个域1%的情况下，也能生成物理上合理且多样的大尺度湍流结构，表现出色的性能，可作为大涡模拟（LES）的初始条件。

ABSTRACT

Due to costs and practical constraints, field campaigns in the atmospheric boundary layer typically only measure a fraction of the atmospheric volume of interest. Machine learning techniques have previously successfully reconstructed unobserved regions of flow in canonical fluid mechanics problems and two-dimensional geophysical flows, but these techniques have not yet been demonstrated in the three-dimensional atmospheric boundary layer. Here, we conduct a numerical analogue of a field campaign with spatially limited measurements using large-eddy simulation. We pose flow reconstruction as an inpainting problem, and reconstruct realistic samples of turbulent, three-dimensional flow with the use of a latent diffusion model. The diffusion model generates physically plausible turbulent structures on larger spatial scales, even when input observations cover less than 1% of the volume. Through a combination of qualitative visualization and quantitative assessment, we demonstrate that the diffusion model generates meaningfully diverse samples when conditioned on just one observation. These samples successfully serve as initial conditions for a large-eddy simulation code. We find that diffusion models show promise and potential for other applications for other turbulent flow reconstruction problems.

研究动机与目标

• 解决从空间受限的实地测量中重建三维湍流大气边界层（ABL）流场的挑战。
• 克服生成对抗网络（GAN）等确定性机器学习方法的局限性，后者存在模式崩溃问题，难以捕捉流场多样性。
• 证明潜在扩散模型（LDM）在高维、混沌系统（如ABL）中进行地球物理流场重建的可行性。
• 评估LDM生成样本作为大涡模拟（LES）初始条件的实用性，确保物理一致性与预测有效性。

提出的方法

• 将ABL流场重建问题形式化为图像修复问题，即在给定稀疏观测条件下，重建三维速度场中缺失的区域。
• 在大涡模拟（LES）的ABL数据集上训练潜在扩散模型（LDM），以学习湍流速度场的联合分布。
• 通过在观测缺失区域使用掩码输入场，将LDM条件化于一个或多个速度分量（u, v, w）的稀疏观测。
• 在潜在空间中采用U-Net架构，通过学习噪声预测，迭代地将潜在表示去噪，以生成逼真的流场结构。
• 利用另一组神经网络估计重建场的条件统计量（均值与标准差），该网络被训练以近似状态及其二阶矩的最优估计器。
• 通过定性可视化与定量指标（包括相关系数、均方根误差（RMSE）和结构相似性（SSIM））验证重建质量。

Figure 1: (a) The masked region and observed region associated with the box mask. (b) The observations associated with the Field Campaign (FC) mask, with each instrument highlighted. The regions without observations are masked.

实验结果

研究问题

• RQ1 当条件化于稀疏观测时，潜在扩散模型能否生成在三维大气边界层中物理上合理且多样的湍流结构？
• RQ2 即使观测覆盖区域低于域面积的1%，LDM生成的样本在多大程度上能保持大尺度湍流特征（如涡旋和相干结构）？
• RQ3 与基线或确定性方法相比，LDM生成的初始条件在多大程度上提升了大涡模拟的预测准确性？
• RQ4 LDM生成样本的统计特性（如均值、方差）与真实场相比如何？能否通过辅助神经网络可靠估计？

主要发现

• 潜在扩散模型成功利用覆盖空间域不足1%的观测，重建出真实且多样的大气边界层湍流流场。
• LDM生成的样本表现出强物理合理性，通过Q准则等值线分析证实，大尺度湍流结构（如涡旋）被准确再现。
• 模型产生有意义的集合多样性：100组条件样本显示出显著的方差，表明其未像典型GAN那样陷入单一模式。
• 100组LDM样本的条件均值预测与真实值高度吻合，RMSE较低，SSIM值较高，尤其在顺流域速度分量（u）上表现更优。
• 通过独立训练的神经网络估计的LDM样本条件标准差，与经验方差具有良好一致性，验证了模型的不确定性量化能力。
• LDM生成的初始条件可实现稳定且物理一致的大涡模拟，证实其在后续大气建模应用中的实用性。

Figure 2: A schematic depicting the major components of an LDM and their function. (a) First, the encoder and decoder of an autoencoder are trained. (b) Next, a diffusion model is trained with the help of the encoder from the autoencoder. The conditioning is optional and is not included for uncondit