2026年9月16日下午，海洋与气象学院在海科楼505会议室举行了2026年第23期海学讲堂。本期讲堂特邀德国亥姆霍兹联合会研究科学家袁冰博士，作了题为“基于表层数据重构三维近海物理场的机器学习基准研究”的学术报告。学院教师及研究生、本科生参加了此次报告。

袁冰博士指出，近海系统面临气候变化和人类活动带来的多重挑战，高分辨率近海数据对于应对这些挑战至关重要。机器学习（ML）凭借其高效性和捕捉时空特征的能力，越来越多地被应用于物理场的降尺度研究。然而，利用机器学习从表层数据对三维（3D）近海场进行降尺度研究仍然有限，且机器学习应用的可重复性和客观比较需要基准测试。

报告中，袁博士介绍了其研究提出的CoastalBench-Downscaling——一个利用表层数据对三维近海环境场进行降尺度的机器学习基准。该基准聚焦于具有动边界复杂海域中的关键海洋变量，包括流速、盐度和温度。研究评估了从传统机器学习算法（线性回归、随机森林、多层感知机）到深度神经网络（DNN）的多种模型。研究表明，低分辨率表层输入可有效重构高分辨率三维近海场。在具有动边界的区域中，采用忽略陆地区域的损失函数的DNN优于传统模型。空间特征对模型性能影响显著：DNN在具有复杂局部空间特征的物理场（如流速和盐度）中表现优异，而简单模型则可以有效应用于相对平滑的物理场（如温度）。该基准为海洋科学与工程中的机器学习模型评估提供了透明且可重复的参考，有助于新模型架构的设计并促进跨学科研究。

报告结束后，袁冰博士与师生围绕机器学习在海洋物理场重构中的应用、基准测试的设计细节及动边界处理等问题进行了深入交流，并鼓励青年学者关注机器学习与海洋科学交叉领域的前沿探索。

本期海学讲堂为师生提供了与高水平专家面对面交流的机会，拓展了在海洋物理场降尺度与机器学习应用领域的研究视野，对推动我院相关教学与科研合作具有积极意义。