基于CFD与机器学习的城市冠层阻力系数建模及其在大湾区高分辨率风场模拟中的应用

本文创新性地结合计算流体力学(CFD)和机器学习(ML)技术，构建了城市冠层阻力系数(Cd)的高精度预测模型。通过128组理想化城市形态的CFD模拟，揭示了规划面积密度(λp)和建筑高度变异系数(σh)对Cd的主导影响，并开发出性能最优的随机森林预测算法(R2=0.88)。该模型成功应用于粤港澳大湾区(GB)1km分辨率城市形态数据集，发现传统参数化方案(S&M)在高密度异质建筑区域可能高估Cd达60%，为改进WRF-BEP城市气候模型中的阻力效应表征提供了新范式。

　　

Highlight

本研究通过CFD模拟和机器学习技术，建立了城市冠层阻力系数(C_d)的高精度预测框架。采用随机森林(RF)算法开发的模型(R2=0.88)成功捕捉了建筑形态参数对C_d的非线性影响，为城市气候模型提供了更精确的阻力参数化方案。

Turbulence model

研究采用开源软件OpenFOAM-v20.06进行CFD建模，结合雷诺平均纳维-斯托克斯(RANS)和大涡模拟(LES)方法，系统分析了128种理想化城市布局下的流场特征。这种多尺度模拟策略有效平衡了计算精度与效率，为后续机器学习建模提供了可靠数据基础。

Comparison with previous studies

通过与Lu、Nazarian等学者研究的对比发现，无论是RANS还是LES模型，其计算的C_d随λ_p变化趋势与既往研究高度一致。特别值得注意的是，在λ_p>0.3的高密度区域，本研究的C_d估值显著低于传统S&M方案，这一发现为解释现有城市气候模型中风速高估现象提供了新证据。

Conclusion and outlook

本研究不仅验证了机器学习在复杂流体力学参数预测中的强大能力，更重要的是构建了首个考虑建筑高度异质性的C_d空间分布图谱。未来工作将聚焦于三维城市形态参数的精细化表征，以及该框架在全球不同气候区城市中的普适性验证。