fix: 异常值裁剪 P1/P99 → P2/P98，避免边界垃圾值污染

- P1-P99 对 pH/DO 等参数不够保守：边界像素模型预测 pH=-22
  导致 P1=-2.38，裁剪后仍保留物理上不可能的值
- 改为 P2-P98（4% 裁剪），IQR 8.3-8.5 的主体数据完全不受影响
- 两处同步：预测端 _clip_outliers + 插值端 _perform_interpolation

src/core/prediction/inference_batch.py

@@ -750,8 +750,8 @@ class WaterQualityInference:
             raise
 
     @staticmethod
-    def _clip_outliers(predictions: np.ndarray, lower_pct: float = 1.0,
+    def _clip_outliers(predictions: np.ndarray, lower_pct: float = 2.0,
-                       upper_pct: float = 99.0) -> np.ndarray:
+                       upper_pct: float = 98.0) -> np.ndarray:
         """百分位裁剪：将极端异常值裁剪到合理范围。
 
         水体边界/零值区域的光谱异常会导致模型外推到极端值
@@ -763,9 +763,9 @@ class WaterQualityInference:
         predictions : np.ndarray
             原始预测值
         lower_pct : float
-            下百分位（默认 1%，低于此分位数的值被裁剪）
+            下百分位（默认 2%，低于此分位数的值被裁剪）
         upper_pct : float
-            上百分位（默认 99%，高于此分位数的值被裁剪）
+            上百分位（默认 98%，高于此分位数的值被裁剪）
 
         Returns
         -------

src/postprocessing/map.py

@@ -695,6 +695,19 @@ class ContentMapper:
           - IDW 作为首选回退：无需拟合变异函数，不会产生纯色图
           - scipy linear/nearest 作为最后兜底
         """
+        # ★ 百分位裁剪：去掉极端异常值，避免色阶被拉爆
+        # P2-P98：比 P1-P99 更保守，避免 pH/DO 等参数在边界区域
+        # 的模型预测垃圾值（pH=-22、DO=-20）污染裁剪下限
+        _lo = np.percentile(values, 2.0)
+        _hi = np.percentile(values, 98.0)
+        _n_lo = int(np.sum(values < _lo))
+        _n_hi = int(np.sum(values > _hi))
+        if _n_lo > 0 or _n_hi > 0:
+            print(f"[异常值裁剪] P1={_lo:.4f}, P99={_hi:.4f}, "
+                  f"裁剪低端 {_n_lo} 个, 高端 {_n_hi} 个 "
+                  f"({(_n_lo+_n_hi)/len(values)*100:.1f}%)")
+            values = np.clip(values, _lo, _hi)
+
         print(f"插值输入检查：")
         print(f"  - 数据点数量: {len(points)}")
         print(f"  - 数据值范围: {values.min():.4f} - {values.max():.4f}")