本数据集主要用于提升AI模型对ADCP原始数据离散度异常状态的识别能力与精确性。通过对该数据集的训练，使AI模型能够精准识别数据异常离散现象，并可应用于水文测量设备故障预警、数据质量控制和海洋观测系统维护等场景。同时，本数据集可为智能监测系统、自动化数据质量评估等提供决策依据，提升水文观测数据的可靠性。
1.数据采集 通过企业自有ADCP设备自行采集水文监测数据，同步记录数据ID、采集时间、设备型号、地理坐标、流速剖面、回波强度、信噪比等数据。 2.数据预处理与加工 通过数据清洗剔除异常值，按7:2:1比例划分训练集/验证集/测试集。基于流速剖面数据计算离散度指标（标准差）。设置多级标注体系： 一级标签：离散正常/离散异常 二级标签：局部异常（单层离散）/全局异常（全剖面离散）/间歇异常（周期性离散） 3.模型选择与初始化 采用1D-CNN与统计检验混合模型，初始化参数并优化超参数：学习率0.001-0.0001动态调整，批量大小32-64动态调整，时间步长8-16动态调整；集成数据分布检验模块。 4.模型训练 基于PyTorch实施分布式训练，采用混合精度训练（FP16）提升效率。设置训练时长，数据增强模拟不同离散场景，添加浑浊水体脉冲干扰、信号丢失等特效。设置早停机制（patience=15），梯度裁剪：max_norm=1.0。 5.模型评估 在训练模型的过程中，使用验证集调整超参数，训练完成后在测试集上评估模型表现，评估指标包含： 基础性能指标：准确率、误报率 场景鲁棒性测试：浑浊水体检出率 并设置渐进式测试：单点异常→剖面异常，静态环境→动态环境
| 字段名 | 类型 | 描述 |
|---|---|---|
数据ID |
-- | -- |
采集时间 |
-- | -- |
设备型号 |
-- | -- |
地理坐标 |
-- | -- |
流速剖面 |
-- | -- |
| fieldName | exampleValue |
|---|---|
| 数据ID | ADCP_DISP_20240720_1530_001 |
| 采集时间 | 2024-07-20 15:30 |
| 设备型号 | Nortek Aquadopp |
curl -H "Authorization: Bearer YOUR_API_KEY" \
http://localhost:3001/api/v1/datasets/8416579