2. 缺测数据识别与统计基础

在海洋监测业务中，缺测并不是“没有数据”这么简单。一个观测值可能从未到达数据中心，也可能到达后被质控判为无效，还可能以特定填充值（如 -999、9999、NaN）占位。若不能准确识别这些情形，后续的修复、插值和统计都会建立在错误的数据基础上。本节围绕四件事展开：缺测标记怎么写、质量标识怎么分级、缺测率与缺测模式怎么统计、以及用什么图表把缺测分布看清楚。

一、缺测标记规范：先让“空”有明确语义

缺测标记的核心原则是“可区分、可追溯、不歧义”。工程上通常把缺测分为三类，并分别赋予不同标记：

• 结构性缺测：传感器未部署、观测要素本身不存在（如某浮标未配溶解氧传感器），标记为 NA_STRUCT，不参与缺测率分母。
• 随机性缺测：设备故障、通信中断、供电异常导致的应有观测缺失，标记为 NA_RANDOM，应计入缺测率。
• 质控剔除：数据存在但被质控规则判为异常而置空，标记为 NA_QC，需保留原始值与质控码以便复核。

数值型字段建议统一使用 NaN 或约定的哨兵值，并在元数据中声明哨兵值清单；时间字段缺失必须显式写 null，禁止用 0 或空字符串代替。对海洋剖面数据，还要区分“整层缺失”和“单点缺失”，前者标记在层记录上，后者标记在观测点上，避免统计时重复计数。

二、数据质量标识体系：用分级码表达“可信程度”

质量标识（QC Flag）是对每个观测值可信度的分级描述。海洋监测常用五级体系，与缺测标记配合使用：

标识体系要与缺测标记联动：当某值被置为缺测时，QC 码应同步置 9，并在备注字段记录原因码（如“传感器漂移”“通信丢包”）。这样统计缺测率时，可以按原因码拆分，定位是设备问题还是传输问题。

三、缺测率与缺测模式统计

缺测率是最基础的指标，定义为应有观测数中缺测所占比例。计算时必须先确定“应有观测数”：对固定采样间隔的数据，应有数 = 时段长度 ÷ 采样间隔；对事件触发型观测，应有数需依据观测计划确定。示例：某站点水温按 10 分钟采样，统计 2024 年 3 月共 31 天，应有观测 4464 个，实际有效 4127 个，则缺测率 = (4464−4127)/4464 ≈ 7.55%。

仅有总缺测率不够，还要看缺测模式。常用统计维度包括：

• 连续缺测长度：统计最长连续缺测点数与长度分布，短缺口可用插值修复，长缺口往往需要标记为不可修复。
• 时段聚集性：按小时、日、月统计缺测率，识别是否集中在夜间供电不足或某月台风期。
• 要素相关性：同一站点多要素同时缺测，提示平台级故障；单要素缺测则更可能是传感器问题。
• 空间分布：按站点或网格统计缺测率，识别区域性通信盲区。

下面这张图把“原始记录 → 标记与质控 → 统计维度 → 图表呈现”的关系组织在一起，便于对照理解各环节的输入输出。

四、常用统计图表与判读

不同图表回答不同问题，选择时应对准统计目的：

• 时间序列图：横轴时间、纵轴要素值，缺测段留空或用红色底纹标出，适合看连续缺测长度与发生时刻。
• 缺测率热力图：横轴时间（日或月）、纵轴站点或要素，颜色深浅表示缺测率，适合快速定位“哪段时间、哪个站点”问题集中。
• 柱状图：按原因码或按月份统计缺测数量，适合比较不同原因的贡献占比。
• 连续缺测长度分布图：横轴缺口长度、纵轴出现次数，用于判断数据是否适合插值修复——短缺口多则可修，长缺口多则应以标记为主。

判读时注意两点：一是缺测率的分母要写清楚，结构性缺测不应拉高缺测率；二是图表要保留 QC 码信息，避免把“可疑但保留”的值与“良好”混为一谈。实际业务中，建议先出站点级缺测率汇总表，再对缺测率偏高的站点下钻到时间序列与热力图，形成“汇总—定位—复核”的统计闭环。

掌握以上标记规范、质量标识、统计维度与图表判读方法后，才能对缺测数据做出“可解释”的判断，为后续的修复策略选择提供依据。