一、一条数据要过几道"挑错"
这六类规则都不涉及复杂模型，用阈值、变化率和邻域比对就能实现。它们解决的是"数据能不能用"，而不是"未来会怎样"。
二、为什么这类活适合先交给算法
三个前提都成立：判据可以被写成明确条件；历史数据足以回放验证；误判可以被人快速纠正。反过来，预测类任务需要长序列、机理模型和独立验证集，落地周期长得多。
需要注意的是，规则越灵敏，误报越多。合理做法是分级：确定性高的（死值、超量程）自动标记并阻断入库，确定性低的（空间背离）只提示、不阻断，交人工判断。一刀切地"自动剔除"，会把真实污染事件也删掉。
三、自动化走到质控环节，边界在哪
质控是 AI 在监测领域走得最实的一段。据天眼新闻2026年10月18日报道，贵州铜仁的水环境"黑灯实验室"实现从分样、预处理、上机分析到质控校验、数据输出的全流程无人干预，可稳定完成 28 项水质指标、按需扩展至 80 余项，日检测 200 个水样以上，检测全程留痕。
这里的关键词是"留痕"。自动化替代的是操作动作，不是责任。《生态环境监测条例》（国务院令第820号，2026年1月1日施行）对自行监测的设备与记录提出要求，意味着自动生成的每一个结论，都要能回答"依据哪条规则、哪份原始数据、谁确认过"。
四、验收怎么测，而不是怎么听
- 历史回放：取三个月以上历史数据，让规则跑一遍，统计命中率与误报率；
- 人工对照：抽取被标记与未被标记的样本各若干条，由运维人员盲评；
- 工作量对比：上线前后每日人工审核条数、告警处置时长；
- 错判复盘：把误报案例归因到规则还是数据，形成迭代记录。
只有"识别准确率"一个数字，无法说明系统在真实工况下的表现，因为样本构成从未被交代。
五、别把"挑错"说成"预判"
行业里常见的三句越级表述，值得逐句拆开：把异常值识别称为"智能诊断"，把阈值告警称为"AI 预警"，把云端模型生成的报告称为"端侧智能"。浙江省《美丽浙江建设（生态环境保护）"十五五"规划》提出"力争监测预报准确率超90%"，这是 2030 年前的规划目标，属于预测层的事，与数据审核不是同一件事，不宜混在一起宣传。
对设备与平台供应方而言，把"数据审核规则清单、质控留痕方式、复核责任分工"写进方案，比强调模型参数更能打动运维部门；对使用方而言，先让数据干净，再谈智能，顺序不会错。