《Applied Ocean Research》：SeaQC-X: Transferability of a machine learning-based sea level quality control framework
编辑推荐：
验潮站网络的业务运行可靠性取决于稳健且广泛适用的质量控制（Quality Control, QC）程序。尽管机器学习（Machine Learning, ML）在提升数据质量控制方面展现出潜力，但此类模型在不同海岸环境下的跨机制迁移性仍是挑战。本研究测试了一种
验潮站网络的业务运行可靠性取决于稳健且广泛适用的质量控制（Quality Control, QC）程序。尽管机器学习（Machine Learning, ML）在提升数据质量控制方面展现出潜力，但此类模型在不同海岸环境下的跨机制迁移性仍是挑战。本研究测试了一种最初为格陵兰大潮差机制开发的ML质量控制方法，采用领域自适应（Domain Adaptation）策略下的微调（Fine-tuning）方法，将其应用于丹麦海岸9个验潮站的数据。研究结果表明，该框架能有效适应丹麦条件，支持将ML方法推广至多样化海洋学环境的适用性。该ML方法的性能与标准业务工具相当，在识别传统方法遗漏的细微异常方面表现出特定优势。该方法的局限性在于模型灵敏度较高，可能导致有效数据的过度标记（Over-flagging）。这些发现为验潮站质量控制程序指明了一条路径：在协同框架中，ML工具应作为现有统计检验的补充而非替代，从而构建更稳健、全面的业务化QC系统。
研究背景与意义
业务化海洋学（Operational Oceanography）高度依赖验潮站网络提供的高频水位观测数据，这些数据是风暴潮预报、潮汐分析、航行安全及长期海平面变化评估的基础。目前国际通用的政府间海洋学委员会（IOC）一级质量控制（Level 1 QC）协议主要依赖范围检查、变化率阈值和简单统计滤波器。然而，这些方法在处理复杂误差模式时存在局限，特别是当环境变率与真实异常特征重叠时，容易导致漏检或将有效观测误分类。虽然机器学习（ML）技术在局部区域的海平面异常检测中取得了进展，但现有研究大多局限于单一站点或海洋学均质区域，忽略了跨机制迁移性的核心问题。在实际业务运行中，为每个新站点重新训练模型往往不切实际，因此亟需验证ML模型是否能够从源域（Source Domain）学习到通用的误差特征并迁移至目标域（Target Domain）。
关键技术方法
研究人员选取了丹麦海岸9个验潮站2010年至2024年的10分钟分辨率水位数据，依据数据可用性分为两组：6个站点用于模型微调（Fine-tuning）与时间测试，3个站点作为独立的空间测试集。研究对比了三种QC方法：哥白尼海洋环境监测服务（CMEMS）自动化QC、丹麦气象研究所（DMI）结合人工校验的QC，以及基于格陵兰大潮差数据预训练的SeaQC-X模型。SeaQC-X采用随机森林（Random Forest）算法，输入特征包含梯度、潮汐信号及原始测量值。研究人员通过移除类别权重平衡并减少决策树数量至50，对原模型进行了简化以适应业务部署。评估指标聚焦于少数类（错误数据）的精确率（Precision）、召回率（Recall）及F1分数，并辅以PR-AUC（精确率-召回率曲线下面积）分析，以解决数据集极端类别不平衡（约99.8%为有效数据）带来的评估偏差。
研究结果
3.1 跨机制泛化与领域自适应的定量评估
研究人员通过设置三种训练配置进行对比：仅源域（格陵兰）训练的零样本（Zero-shot）模型、经丹麦数据微调的模型、以及仅在丹麦数据上训练的本地模型。结果显示，零样本模型虽具备一定的直接识别非物理尖峰的能力，但经过微调后性能显著提升。值得注意的是，在哥本哈根（Kobenhavn）和特恩（Tejn）等站点，领域自适应（Domain Adaptation）的表现优于仅使用本地数据训练的模型，表明格陵兰数据集提供了丹麦记录中统计上罕见的多样化误差形态库（如传感器冻结或复杂的冰干扰），这对训练鲁棒的分类器至关重要。
3.2 对不同误差类型的迁移性
研究验证了SeaQC-X能有效检测多种误差类型。对于明显的离群值，其表现与现有工具相当；在高水位期，其对噪声数据的标记动态与其他方法相似；针对小尺度异常（Small-scale anomalies），SeaQC-X表现出更高的灵敏度，成功识别出传统方法遗漏的不规则波动；对于噪声时段，虽然其检出率略低于DMI和CMEMS，但仍能标记出约77%的异常点。总体而言，该框架在10分钟分辨率数据上的表现与业务工具相当或更优。
3.3 空间迁移性
在未参与训练的3个独立空间测试站点（Hirtshals, Korsoer, Koege），SeaQC-X依然保持了良好的检测能力。它不仅能识别全局离群值，还能检测到未在训练集中明确包含的复杂误差结构，如偏移（Offset）与卡值（Stuck-value）的组合。这表明模型并未过度拟合训练站点，具备在异构监测网络中规模化部署的潜力。
3.4 对风暴潮条件的迁移性
利用丹麦沿海管理局记录的极端风暴潮事件进行评估发现，DMI QC和SeaQC-X均能一致地保留风暴潮峰值，而CMEMS QC则有将这些极端水位误分类为误差的趋势。即使在200年一遇的极端事件中，SeaQC-X也未因水位超出训练集动态范围而误判，证明了其在极端条件下的时间迁移性。这归因于模型优先利用梯度（Gradient）和形态学特征，而非绝对幅度，使其能区分物理涌浪与仪器噪声。
3.5 三种QC方法的比较
通过对15年间周标记量的热图分析，研究人员发现SeaQC-X标记的数据点总数略高于CMEMS和DMI，显示出对小尺度异常的更高敏感性。CMEMS QC倾向于过度标记极端事件，而DMI QC则受限于人工审核的主观性。SeaQC-X在保持对物理极值识别的同时，填补了传统统计阈值方法在复杂形态异常检测上的空白。
讨论与结论
讨论部分指出，SeaQC-X的成功迁移验证了仪器数据误差具有普适的形态学特征。微调的必要性在于校准模型以适应目标域较低的潮汐能量环境。研究也指出了模型的局限性：对小幅数据偏移（Offsets）的检测不稳定、偶尔会误标极低的物理水位、对卡值（Flatlines）的检测不如简单统计测试可靠，以及由于继承了人类专家的保守标记习惯而导致的高灵敏度（容易过度标记）。针对这些问题，研究人员建议采用混合策略，即将SeaQC-X与专门处理确定性误差（如卡值）的统计模块结合。
结论部分强调，SeaQC-X证明了ML框架可以从大潮差的北极环境成功推广至丹麦多样化的潮汐机制。没有单一的QC方法是万能的，SeaQC-X的优势在于利用形态特征识别细微的仪器信号，同时保留有效的物理极值。未来的发展方向包括扩大训练数据集的多样性、将物理约束（如调和潮汐残差）融入ML模型的损失函数，以及开发结合水动力原理的物理信息机器学习（Physics-Informed Machine Learning, PIML）系统。该研究发表于《Applied Ocean Research》，为数据稀疏地区的验潮站网络快速部署提供了可扩展的业务化解决方案。
