fix: 推理端反射率量级统管收敛为_align_reflectance_scale单一入口

- 新增 _align_reflectance_scale():光谱列 >10 则 /10000 收敛到 0~1,并清洗 NaN/负值
- inference_pipeline / batch_inference / batch_inference_multi_data 三处散装 /10000 魔法逻辑统一收敛
（注：该文件另含先前本地未提交改动，一并入库）

src/core/prediction/inference_batch.py

@@ -15,6 +15,7 @@ import os
 
 from src.preprocessing.spectral_Preprocessing import Preprocessing, get_preprocessing_transformer
 from src.core.utils.split_methods import spxy, ks
+from src.utils.util import atomic_filepath
 
 # try:
 #     from modeling import WaterQualityModeling
@@ -125,6 +126,41 @@ class WaterQualityInference:
 
         return coords, spectra, wqi_df
 
+    def _align_reflectance_scale(self, spectra: pd.DataFrame) -> pd.DataFrame:
+        """
+        统一量级守卫：检测并统一输入光谱的量级到 0~1 的物理反射率区间。
+
+        必须在任何 WQI / 衍生特征进入模型之前调用，以确保衍生指数与训练数据处于
+        同一物理数值域。未来可替换为直接读取采样时写入的 metadata['scale_factor']。
+        """
+        # 1) 提取光谱列（纯数字列名 = 波长列）
+        spec_cols = []
+        for c in spectra.columns:
+            try:
+                float(str(c))
+                spec_cols.append(c)
+            except (ValueError, TypeError):
+                pass
+
+        if not spec_cols:
+            return spectra
+
+        # 2) 量级自适应：最大值 > 10 即视为 0-10000 放大格式，统一 /10000 至 0-1
+        max_val = spectra[spec_cols].max().max()
+        if max_val > 10:
+            print(f"\n[量级统管] 输入光谱最大值为 {max_val:.2f}，触发自动归一化 (/ 10000.0) ...")
+            spectra[spec_cols] = spectra[spec_cols].astype(float) / 10000.0
+        else:
+            print(f"[量级统管] 输入光谱量级正常 (max={max_val:.4f})，无需缩放")
+
+        # 3) 清洗底层脏数据：NaN/Inf -> 0，负反射率截断到 0
+        spec_data = spectra[spec_cols].values
+        spec_data = np.nan_to_num(spec_data, nan=0.0, posinf=0.0, neginf=0.0)
+        spec_data = np.maximum(spec_data, 0.0)
+        spectra[spec_cols] = spec_data
+
+        return spectra
+
     def random(self, data, label, test_ratio=0.2, random_state=123):
         """
         随机划分数据集
@@ -489,6 +525,20 @@ class WaterQualityInference:
             except (ValueError, TypeError):
                 pass
 
+        # ==========================================
+        # ★ 新增：防御性拦截，防止后续 np.min() 崩溃
+        # ==========================================
+        if not spec_cols:
+            sampled_cols = list(spectra.columns)[:5]
+            raise ValueError(
+                f"[数据断链] 推理失败：采样 CSV 中未找到有效的数值型波长列名。\n"
+                f"检测到当前 CSV 的前几列为: {sampled_cols}...\n"
+                f"原因：上游去耀斑/采样步骤丢失了波长元数据 (未继承 .hdr 文件)，"
+                f"导致采样程序使用了 'band_1' 等无物理意义的默认名称兜底。\n"
+                f"处理建议：请修复采样逻辑以包含波长表头，或重新运行采样步骤。"
+            )
+        # ==========================================
+
         # np.interp 重采样：308/113/任意波段 → 模型训练波长
         # ★ 边缘填充：left/right 使用当前行首尾有效值，杜绝 NaN→0.0 断崖
         spec_data = spectra[spec_cols].values.astype(np.float64)
@@ -1068,7 +1118,8 @@ class WaterQualityInference:
             except ImportError:
                 print("警告: xlwt库未安装，无法保存为.xls格式，改为保存CSV格式")
                 csv_path = output_path.replace('.xls', '.csv')
-                result_df.to_csv(csv_path, index=False, encoding='utf-8-sig')
+                with atomic_filepath(csv_path) as _tmp:
+                    result_df.to_csv(_tmp, index=False, encoding='utf-8-sig')
                 output_path = csv_path
         elif file_ext == '.xlsx':
             # 保存为Excel 2007+格式
@@ -1078,11 +1129,13 @@ class WaterQualityInference:
             except ImportError:
                 print("警告: openpyxl库未安装，无法保存为.xlsx格式，改为保存CSV格式")
                 csv_path = output_path.replace('.xlsx', '.csv')
-                result_df.to_csv(csv_path, index=False, encoding='utf-8-sig')
+                with atomic_filepath(csv_path) as _tmp:
+                    result_df.to_csv(_tmp, index=False, encoding='utf-8-sig')
                 output_path = csv_path
         else:
-            # 默认保存为CSV格式
+            # 默认保存为CSV格式（★ 原子写入：先 .__wip 后同卷替换）
-            result_df.to_csv(output_path, index=False, encoding='utf-8-sig')
+            with atomic_filepath(output_path) as _tmp:
+                result_df.to_csv(_tmp, index=False, encoding='utf-8-sig')
             print(f"  格式: CSV (.csv)")
 
         print(f"预测结果保存完成:")
@@ -1130,32 +1183,8 @@ class WaterQualityInference:
             print("-" * 40)
             coords, spectra, wqi_df = self.load_sampling_data(sampling_csv_path)
 
-            # ═══════════════════════════════════════════════════════════════
+            # ★ 统一反射率量级：0~1 物理反射率区间（须在特征/WQI 进入模型前完成）
-            # ★ 自适应反射率量级缩放 (Scale Alignment)
+            spectra = self._align_reflectance_scale(spectra)
-            # ═══════════════════════════════════════════════════════════════
-            # 不同的高光谱传感器 / 处理流程产出的反射率量级可能不同：
-            #   - float32 0-1 物理反射率（如 result3.bsq 抽样后写入的 CSV）
-            #   - int16  0-10000 放大反射率（如 ref_mosaic 抽样后写入的 CSV）
-            # 若不经缩放直接喂入 SVR，量级差异会导致预测完全失效。
-            # 此处在光谱列上自动检测并统一到 0-1 区间。
-            spec_cols = []
-            for c in spectra.columns:
-                try:
-                    float(str(c))
-                    spec_cols.append(c)
-                except (ValueError, TypeError):
-                    pass
-
-            if spec_cols:
-                max_val = spectra[spec_cols].max().max()
-                if max_val > 10:
-                    print(f"\n[量级检测] 输入反射率疑似放大格式 (max={max_val:.2f})")
-                    print("[量级检测] 自动除以 10000，缩放至 0-1 标准物理反射率区间...")
-                    spectra[spec_cols] = spectra[spec_cols].astype(float) / 10000.0
-                    print(f"[量级检测] 缩放完成！缩放后 max={spectra[spec_cols].max().max():.4f}")
-                else:
-                    print(f"[量级检测] 输入反射率量级正常 (max={max_val:.4f})，无需缩放")
-            # ═══════════════════════════════════════════════════════════════
 
             # 3. 数据预处理
             print("\n步骤3: 数据预处理")
@@ -1245,15 +1274,8 @@ class WaterQualityInference:
                 
                 # 执行推理
                 coords, spectra, wqi_df = self.load_sampling_data(str(csv_file))
-                # 自适应反射率量级缩放
+                # ★ 第一时间统一反射率量级，确保 WQI / 衍生特征与训练数据处于同一物理空间
-                _s_cols = []
+                spectra = self._align_reflectance_scale(spectra)
-                for _c in spectra.columns:
-                    try: float(str(_c)); _s_cols.append(_c)
-                    except (ValueError, TypeError): pass
-                if _s_cols:
-                    _mv = spectra[_s_cols].max().max()
-                    if _mv > 10:
-                        spectra[_s_cols] = spectra[_s_cols].astype(float) / 10000.0
                 spectra_processed = self.preprocess_spectra(spectra)
                 predictions = self.predict(spectra_processed)
                 predictions = self._mask_zero_spectra_pixels(spectra, predictions)
@@ -1454,15 +1476,8 @@ class WaterQualityInference:
                 
                 # 执行推理
                 coords, spectra, wqi_df = self.load_sampling_data(str(csv_file))
-                # 自适应反射率量级缩放
+                # ★ 第一时间统一反射率量级，确保 WQI / 衍生特征与训练数据处于同一物理空间
-                _s_cols = []
+                spectra = self._align_reflectance_scale(spectra)
-                for _c in spectra.columns:
-                    try: float(str(_c)); _s_cols.append(_c)
-                    except (ValueError, TypeError): pass
-                if _s_cols:
-                    _mv = spectra[_s_cols].max().max()
-                    if _mv > 10:
-                        spectra[_s_cols] = spectra[_s_cols].astype(float) / 10000.0
                 spectra_processed = self.preprocess_spectra(spectra)
                 predictions = self.predict(spectra_processed)
                 predictions = self._mask_zero_spectra_pixels(spectra, predictions)