地基太阳辐射观测的质量控制（QC）对于确保地表能量平衡研究与气候学分析的完整性至关重要。极限稀有值（ERL）检验作为一种广泛使用的QC标准，常被认为过于保守，难以有效隔离那些较为微弱但可能仍然存在的仪器或环境异常。为提升QC阈值的“紧致度”与异常识别的敏感性，本研究提出一种数据驱动的框架，用于构建与辐射背景相适配的分区（regime-specific）气候学限值；区别于不直接反映辐射变率的传统气候分类，本研究通过无监督学习结合主成分分析（PCA）与层次聚类（hierarchical clustering），将辐射条件划分为七种辐射状态/辐射区（radiation regimes），并针对每个区间利用机器学习驱动的优化策略确定最优检验系数，具体做法是以隔离森林（isolation forest）的异常检测结果为对标，通过最大化F₁分数来校准气候学限值检验；基于基准地表辐射网络（BSRN）的全球观测数据验证表明，与原始的全球ERL阈值相比，所提出的区域化限值能够更紧密地贴合观测数据的分布，从而显著提升异常刻画能力，该方法也为QC程序的区域化提供了一种可扩展且自动化的实现路径，进而显著提高全球辐射监测网络的监测精度。
 

BSRN,质量控制,辐射气候分类