Quality control (QC) of marine data is a critical aspect in ensuring the usability of oceanic data. In this paper, we propose a novel QC method for time-series ocean wave data, which combines deep learning prediction and statistical analysis. Our method first realizes multi-element LSTM prediction of the time-series ocean wave observation data, capturing both temporal consistency and physical relationships between the multi-element inputs. Then, it applies peak detection on the regional mean difference ratio derived from the predicted and true values of the ocean wave data, and finally labels the anomalous data points based on peak detection results. We conducted experiments on the time-series wave data of four sites from the National Marine Science Center, China, and compared our proposed method with traditional QC method that is currently used for operational marine data quality control, as well as classic anomaly detection models including Isolation Forest and VAE-LSTM. The results show a significant improvement in the Precision, Recall, and F1 Score for erroneous samples using our proposed method. Our proposed method takes advantages of both deep learning and statistical analysis and considers physical correlation of multiple elements of marine data, effectively addressing the problem of erroneous discrimination of abnormal sea conditions in the traditional method, and providing valuable insights for the study of marine time-series observational data.

海洋数据的质量控制（QC）是确保海洋数据可用性的一个关键方面。在本文中，我们提出了一种结合深度学习预测和统计分析的时间序列海浪数据的QC方法。我们的方法首先实现了时间序列海浪观测数据的多元素 LSTM 预测，捕获多元素输入之间的时间一致性和物理关系。然后，对海浪数据的预测值和真实值得出的区域平均差异比进行峰值检测，最后根据峰值检测结果标记异常数据点。我们对国家海洋科学中心四个站点的时间序列波浪数据进行了实验，并将我们提出的方法与当前用于业务海洋数据质量控制的传统QC方法以及包括隔离森林和VAE-LSTM在内的经典异常检测模型进行比较。结果表明，使用我们提出的方法，错误样本的精度、召回率和 F1 分数有了显着提高。我们提出的方法结合了深度学习和统计分析的优势，考虑了海洋数据多要素的物理相关性，有效解决了传统方法对异常海况的错误判别问题，为海洋时间研究提供了宝贵的见解。系列观测数据。结果表明，使用我们提出的方法，错误样本的精度、召回率和 F1 分数有了显着提高。我们提出的方法结合了深度学习和统计分析的优势，考虑了海洋数据多要素的物理相关性，有效解决了传统方法对异常海况的错误判别问题，为海洋时间研究提供了宝贵的见解。系列观测数据。结果表明，使用我们提出的方法，错误样本的精度、召回率和 F1 分数有了显着提高。我们提出的方法结合了深度学习和统计分析的优势，考虑了海洋数据多要素的物理相关性，有效解决了传统方法对异常海况的错误判别问题，为海洋时间研究提供了宝贵的见解。系列观测数据。