4. 盐度异常识别的基本统计方法

盐度异常初筛的第一道关口，通常不是复杂的物理模型，而是一组基础统计量。它们的共同思路是：先用历史数据或同批观测刻画“正常盐度应该长什么样”，再衡量每个观测值偏离这个“正常形状”有多远。理解每种统计量刻画的是分布的哪个侧面，以及它在什么情况下会失效，比记住公式更重要。

一、均值与方差：最直观，也最怕污染

设某观测站某深度层的盐度样本为 x₁, x₂, …, xₙ，均值 x̄ = Σxᵢ/n，样本方差 s² = Σ(xᵢ − x̄)²/(n−1)，标准差为 s。初筛时常用“偏离均值超过 k 倍标准差”作为异常判据，例如 |xᵢ − x̄| > 3s。

问题在于，均值和方差本身都由全部样本参与计算，对极端值极其敏感。一个因传感器接触不良产生的 60 PSU 跳变，会把均值抬高、把标准差撑大，结果是“异常值自己把门槛抬高了”，真正的异常反而落进正常区间。这就是所谓的掩蔽效应。因此均值—标准差法适合数据已经比较干净、分布近似对称的场合，作为快速粗看可以，作为唯一判据并不可靠。

二、分位数与箱线图：用位置而非距离描述分布

分位数不依赖均值和方差。把样本排序后，第 25、50、75 百分位分别为下四分位数 Q1、中位数 Q2、上四分位数 Q3，四分位距 IQR = Q3 − Q1。箱线图常用的围栏是 [Q1 − 1.5·IQR, Q3 + 1.5·IQR]，超出围栏的点标为离群点，超出 3·IQR 的称为极端离群点。

箱线图的优势是直观：一眼能看出分布中心、离散程度、偏斜方向和尾部厚度。对盐度数据而言，若某层箱体明显偏移或箱长异常，往往提示该层存在系统性偏差或混合过程异常。但箱线图只给出“是否越界”，不给出偏离程度的连续度量，也不区分“物理上不可能的尖峰”和“真实存在的极端水团”。此外，当异常点比例较高时，Q1、Q3 也会被推移，围栏同样会失真，只是比均值法更耐受。

三、Z 分数：标准化偏离，便于跨层比较

Z 分数定义为 zᵢ = (xᵢ − x̄)/s，表示某观测偏离均值多少个标准差。它的实用价值在于无量纲化：不同深度层、不同区域的盐度背景值差异很大，直接用绝对偏差比较没有意义，而 Z 分数可以把它们放到同一把尺子上。工程上常设 |z| > 3 为初筛阈值，|z| > 4 或 5 作为强异常候选。

但 Z 分数继承了均值和标准差的全部弱点：它假设分布近似正态，且均值和标准差未被污染。盐度分布常有偏斜和厚尾，用正态假设下的 3σ 阈值会误判偏斜侧的正常极值为异常，同时漏掉被抬高的标准差掩盖的异常。因此 Z 分数更适合作为“排序工具”——按 |z| 从大到小排列，优先人工复核最靠前的点，而不是机械地按阈值一刀切。

四、稳健统计量：中位数与 MAD

稳健统计的核心是让少数异常点无法显著影响“正常形状”的估计。中位数是排序后位于中间的值，其崩溃点约为 50%，即接近一半的数据被污染前仍然可靠。中位数绝对偏差 MAD = median(|xᵢ − median(x)|)，同样具有很高的耐受性。为与标准差可比，常使用归一化形式 MADₙ = 1.4826·MAD，在正态分布下它与标准差近似相等。

由此得到稳健 Z 分数：zᵢ* = (xᵢ − median(x)) / MADₙ。当 MAD = 0（例如大量重复值）时需改用其他尺度或直接标记。实践中常设 |z*| > 3.5 作为初筛阈值。相比普通 Z 分数，稳健 Z 分数不会被少数极端值带偏，特别适合传感器跳变、通信误码这类“少量但幅度极大”的异常。

五、方法选择与局限

下面这张图把几种统计量在“正常样本 + 少量极端异常”情形下的行为差异做了对照，重点看异常点对中心估计和尺度估计的影响方向。

需要清醒认识的是，稳健统计并非万能。第一，它假设“多数样本是正常的”，若某段数据整体漂移（如传感器缓慢污染导致盐度系统性偏高），中位数本身也会跟着漂移，此时稳健 Z 分数反而看不出异常，需要结合时间序列趋势或与邻近站比对。第二，MAD 在数据高度离散或存在大量重复值时可能为 0 或极小，导致稳健 Z 分数爆炸，必须加保护条件。第三，所有基于单变量分布的统计量都忽略了盐度的物理约束和时空相关性：同一深度层内 34.5 PSU 可能是异常，但在河口冲淡水影响区却完全正常。

因此，合理的初筛流程是：先做物理范围硬约束（如开阔大洋盐度大致在 30～38 PSU，超出即标记），再用箱线图与稳健 Z 分数做分布层面的初筛，用普通 Z 分数做辅助排序，最后把候选点交给时空一致性检查（与邻近层、邻近站、历史同月统计比对）确认。统计方法负责“缩小范围”，物理与时空逻辑负责“下结论”。