土壤重金属含量高低直接影响人们生命安全及相关部门管理决策。对于土壤调查获取的重金属数据中,由于数据错误或实际含量异常等往往使得其表现出与其邻域范围内数据存在显著差异,因此有必要对土壤重金属数据进行异常识别,用以指导后续科学处理以达到消除或削弱异常数据的影响。目前针对异常值检测研究主要从属性值,时间及空间三方面进行考虑。其中基于属性数据利用传统统计指标的方法仅能够识别属性值的全局异常;基于空间邻域的异常检测方法能发现单期数据的空间局部异常,而基于时间邻域的异常识别方法则能识别时间尺度上的异常。当面向多期非固定的土壤重金属检测数据进行异常识别时,则需要综合考虑时间和空间尺度。而目前在时空异常识别方面,通常是只考虑空间自相关性或者时间相关性,缺乏考虑其时空自相关性;在确定时空邻域范围时主观性较强,对于异常检测的时空邻域的稳定性考虑不足,且无法判别其异常类型对数据后续处理的影响。基于上述问题,本研究提出了一套时空一体化土壤重金属污染数据异常识别方法。该方法利用基于K临近距离来获取稳定的时空研究邻域,采用基于时空相关性的时空莫兰指数进行土壤重金属时空异常值检测,并基于相关性分析提取强相关性指标辅助进行异常类型识别。并基于该方法研发了基于时空一体化的土壤重金属污染数据异常识别系统。最后以北京市多年期农田区为研究案例,利用该方法对该区域重金属数据进行异常识别,并结合变异特征及插值精度两方面对异常识别结果进行对比分析。结果显示,重金属Cu在2005年的58号点位存在类型为疑似数据错误的异常,重金属Cr在2005年的6号、25号、27号、43号点位存在异常。重金属As在2005年的13号、33号、88号;2007年的225号、258号存在类型为疑似数据错误的异常。基于变异特征对比分析结果显示在将原始样点进行全局、局部和疑似数据错误异常样点剔除后样本总体的离散程度降低,样本空间自相关性程度及区域结构性变异趋势增强;剔除全局和局部异常点后,数据空间插值误差得到了明显的降低,去除疑似数据错误异常点后插值误差较去除局部异常点时的插值误差基本一致表明原始样点中对判断为疑似数据错误的样点进行剔除后对整体插值估计影响甚微,证明了该土壤重金属时空一体化数据异常识别方法的有效性和准确性。