في الزمن الراهن، تتزايد الحاجة إلى نماذج دقيقة لتدفقات الهواء في المناطق الحضرية، مما يسهم في تحسين جودة الهواء وراحة المشاة. ضمن هذا السياق، تم تقديم نموذج GenDA (Generative Data Assimilation) كأداة ثورية تتميز بقدرتها على إعادة هندسة بيانات التيارات الهوائية اعتمادًا على معلومات محدودة فقط.

تستخدم GenDA هيكلية تفريق تعتمد على الرسوم البيانية متعددة المقاييس، وقد تم تدريبها باستخدام محاكيات ديناميات الموائع الحاسوبية (CFD). المبدأ الأساسي الذي يستند إليه النموذج هو إرشادات دون مصنّفات (classifier-free guidance)، حيث يتم تعلم أولويات التدفق المعتمدة على الشكل مع إدخال قيود رصدية أثناء عملية العينة.

هذه التقنيات تتيح إعادة تشكيل تدفقات الهواء بشكل يتماشى مع العقبات المحيطة، وتعميم الأداء على أشكال الشبكات الهندسية، واتجاهات الرياح، وتكوينات الحساسات دون الحاجة إلى إعادة تدريب النموذج. هذا يعني أن النموذج يمكنه العمل بفعالية مع بيانات حساسات ثابتة أو المسارات، محققًا نتائج رائعة.

عند تقييمه مقابل نماذج الشبكات العصبية الرسومية (GNN) التقليدية، أظهر GenDA انخفاضًا في الخطأ النسبي الجذري المتوسط (RRMSE) بنسبة تتراوح بين 25-57% وزيادة في مؤشر التشابه الهيكلي (SSIM) بنسبة 23-33% عبر الشبكات المختلفة المختبرة.

الأبحاث تمت على محاكيات Reynolds-averaged Navier-Stokes (RANS) لمنطقة حضرية حقيقية في مدينة بريستول بالمملكة المتحدة، التي تتسم بجوانب هندسية معقدة وتضاريس غير منتظمة.

يمثل الإطار المقترح مساراً قابلاً للتطوير نحو دمج البيانات الجينية بطريقة واعية للشكل، مما يفتح آفاقًا جديدة لرصد البيئة في البيئات المعقدة.