一种基于深度学习和自建规则的监测数据质量控制方法

本发明公开了一种基于深度学习和自建规则的监测数据质量控制方法。本发明中，通过结合灵活的规则配置与先进的时间序列分析技术，显著提升了自然资源监测数据的可靠性与实用性。首先，该方法支持用户根据实际场景需求自定义多维度质量检查规则，包括异常值、界限值、突变值、时间连续性和逻辑性等规则，突破了传统固定规则的局限性。通过引入时间逻辑检查，系统能够有效识别数据中因季节性或周期性变化导致的异常，例如植被指数在不同季节的合理波动范围，从而更精准地捕捉数据的时间特征。此外，多设备一致性对比功能实现了跨设备数据的交叉验证，能够及时发现设备故障或局部环境异常，确保多源数据的逻辑一致性与整体可信度。