FlowReconBench：稀疏传感器流场重建，学习模型与经典方法谁更强？

从稀疏传感器数据重建完整流场，是流体力学与工程应用中的核心问题。无论是实验测量还是实际部署，传感器数量总是有限，而工程师需要知道未测量区域的流场状态。这要求对未观测区域和物理变量做出先验假设。然而，一个关键问题始终悬而未决：学习模型何时真正优于经典估计器？它们预测中哪些部分值得信赖？FlowReconBench 基准测试正是为了回答这些问题而设计。

基准设计：三大流态与十五种方法

FlowReconBench 在三种不同流态上评估了十种学习方法和五种经典方法：跨越不同雷诺数的层流圆柱尾迹、二维 Kolmogorov 湍流，以及大规模三维各向同性湍流。所有方法共享泄漏控制的数据划分和传感器采样策略，确保比较公平。评估维度涵盖逐通道误差、集合散布、校准质量、频谱特性和计算成本。

这种多维度评估揭示了单一指标无法捕捉的权衡。据基准测试结果，每种流态下的领先方法各不相同——这本身就是一个重要发现，说明不存在普适的最优流场重建方案。

本征正交分解（POD）与 gappy POD

POD 是一种基于数据协方差矩阵特征分解的降维技术，它将高维流场表示为少数正交模态的线性组合，这些模态按能量（方差）从大到小排列。对于传感器稀疏的场景，完整流场无法直接投影到 POD 模态上，gappy POD 通过迭代最小二乘重建缺失数据：先用初始猜测补全缺失点，投影得到模态系数，再用模态系数重构缺失点，反复迭代直至收敛。它在低阶流动（如圆柱尾迹）中表现优异，因为这类流动的能量高度集中于少数模态，稀疏采样足以约束主要系数。

线性随机估计（LSE）

LSE 假设未观测点与传感器读数之间存在线性统计关系，通过训练数据估计条件期望：给定传感器值，未观测点的最优线性预测为协方差矩阵的线性回归。它计算成本极低、无需迭代，且对压力等未观测场同样适用——只要训练集中包含该场的统计信息。LSE 的竞争力源于其隐式利用了流动的时空相关性，在传感器稠密、流动结构低阶时，线性假设已足够准确。

经典方法在低阶与稠密传感场景中表现强劲

在层流圆柱尾迹案例中，线性随机估计（Linear Stochastic Estimation）和 gappy 本征正交分解（gappy POD）表现领先，甚至对未观测的压力场也是如此。这一结果挑战了“学习方法全面优于经典方法”的直觉。

在三维湍流中，反距离加权（Inverse-Distance Weighting）在已观测通道上与最佳学习方法打成平手。经典方法在低阶流动结构和稠密传感条件下展现出强大的竞争力，这意味着在这些场景中，部署复杂的学习模型未必能带来实质收益。

数据驱动方法的优势区间：稀疏传感与低可观测性

当传感器密度降低或传感器可观测性变差时，数据驱动方法开始展现优势。这是学习方法的核心价值所在——它们能够从训练数据中学习到未测量区域的统计结构，在信息极度匮乏时提供更合理的推断。

一个特别值得关注的发现来自三维湍流中仅观测四个场中两个的实验：这使问题在运动学上欠约束，但潜在变量模型仍能重现与真实值相似的结构特征。这说明学习方法在物理约束不足时仍能捕获有意义的模式。

运动学欠约束

在三维湍流中仅观测四个速度分量中的两个时，问题在运动学上欠约束：连续方程和动量方程无法唯一确定未观测分量，因为未知数多于独立观测约束。经典估计器（如 LSE）依赖线性统计关系，在约束不足时倾向于回归到均值，丢失结构细节。潜在变量模型则通过训练学到的低维流形先验，将观测映射到流形上的一个点，从而在观测不足时仍能生成符合物理统计的结构——这本质上是利用了数据中的非线性相关性补全了缺失的约束。

校准与成本：不同指标给出不同排名

在 Kolmogorov 流上，连续排序概率分数（CRPS）和误差给出了不同的方法排名，揭示了一个深层矛盾：生成模型提供更宽但欠分散的集合，而确定性模型则优先优化逐点误差。生成模型通过采样器预算来平衡这一权衡——更大的预算改善集合质量，但计算成本相应增加。

成本方面，三维湍流中的扩展性测试显示，可查询方法的内存占用保持平坦，而全网格构建方法则面临内存耗尽。这一差异对实际部署至关重要：当问题规模增大时，内存效率可能比精度提升更具决定性。

连续排序概率分数（CRPS）

CRPS 是评估概率预测校准质量的核心指标，它衡量预测累积分布函数与真实观测值之间的平方误差积分。与仅关注点预测的均方误差不同，CRPS 同时惩罚过度自信（集合过窄但偏离真值）和欠自信（集合过宽但覆盖真值），因此能揭示生成模型的集合散布是否与真实不确定性匹配。在流场重建中，一个逐点误差很低但集合极窄的确定性模型，其 CRPS 可能反而劣于误差稍大但集合校准良好的生成模型——这正是 Kolmogorov 流上排名分歧的根源。

集合散布与欠分散

生成模型（如扩散模型、变分自编码器）通过采样产生多个可能的重建结果，形成集合。理想情况下，集合的散布应反映真实的后验不确定性。但实际中生成模型常出现“欠分散”：集合成员过于相似，方差小于真实误差方差，导致覆盖不足。增大采样器预算（如更多扩散步数或更多样本）可缓解欠分散，但计算成本线性增长。这一权衡是实践中选择生成模型时必须量化的。

实践启示：没有免费午餐

FlowReconBench 的核心信息是：流场重建不存在单一最优解。经典方法在低阶、稠密传感场景中依然强大；学习方法在稀疏传感和低可观测性条件下才真正展现价值。选择方法时，需要同时考虑误差、校准、频谱保真度和计算成本，而非仅追求某个单一指标的最优。

对于工程实践者，这意味着在传感器充足且流动结构相对简单的场景中，经典估计器仍是可靠且高效的选择；而在传感器极度稀疏或物理约束不足时，学习方法提供了经典方法无法企及的结构推断能力。理解这一权衡边界，比盲目追求“最新方法”更有价值。