perf: Goodman 水体像素原地校正 + 行段跳跃大幅提速大尺度影像

核心优化 (消除 ~95% 的无效计算):

1. 原地校正 (in-place on water pixels only):
   旧: corrected = R - R_750 + A + B*diff (全图 86M 像素)
        np.where(water, corrected, R) (再分配 329MB)
   新: R[water] = R[water] - R_750[water] + A + B*diff[water]
        (仅水体像素, 零额外分配, 无 np.where)
   效果: 水体占 5% 时, 浮点运算减少 20×, 中间数组消除

2. 行段跳跃 (water row ranges):
   预计算含水行段, 纯陆地行直接跳过不做任何计算
   水域 < 50% 时自动启用 (_find_water_row_ranges)

3. SIMD 友好路径 (无掩膜时):
   np.subtract/add(..., out=R) 替代表达式
   避免临时中间数组, 利用 NumPy SIMD 向量化

预期效果 (6522×13215×150, 水体 10%):
  每波段耗时: ~62s → 估计 ~25-35s (计算部分加速 ~20×)
  IO 仍然占主导 (~15-20s 读+写 329MB)

src/core/glint_removal/Goodman.py

@@ -21,6 +21,28 @@ except ImportError:
 # 检测是否在 PyInstaller 打包环境（无控制台）
 _is_frozen_gui = getattr(sys, "frozen", False) and (not hasattr(sys, 'stdout') or sys.stdout is None)
 
+
+def _find_water_row_ranges(water_rows):
+    """将含水行 bool 数组压缩为连续行段列表 [(start, end), ...]
+
+    例如 [False, True, True, False, True] → [(1,3), (4,5)]
+    用于行段跳跃优化：完全无水体的行段直接跳过，不做任何计算。
+    """
+    ranges = []
+    in_range = False
+    start = 0
+    n = len(water_rows)
+    for i in range(n + 1):
+        has_water = water_rows[i] if i < n else False
+        if has_water and not in_range:
+            start = i
+            in_range = True
+        elif not has_water and in_range:
+            ranges.append((start, i))
+            in_range = False
+    return ranges
+
+
 class Goodman:
     def __init__(self, im_aligned, NIR_lower = 25, NIR_upper = 37, A = 0.000019, B = 0.1, 
                  use_gdal=True, chunk_size=None, water_mask=None, output_path=None):
@@ -192,15 +214,16 @@ class Goodman:
 
     def _get_corrected_bands_gdal(self, out_dataset=None):
         """
-        使用GDAL逐波段处理。
+        逐波段 GDAL 校正处理（性能优化版）。
+
+        优化策略:
+          1. 原地校正: 直接在 R 的水体像素上修改，零副本
+          2. 仅水体计算: 校正公式仅在 water==True 的像素上执行
+          3. 无 np.where: 消除创建 329MB 中间数组的 where 操作
+          4. 行段跳跃: 水域 < 50% 时按含水行段分块处理，跳过纯陆地行
 
         Args:
-            out_dataset: 若提供，每处理完一个波段立即写入此数据集（流式模式）；
-                        若为 None，累积到列表中返回（传统模式，大图像慎用）。
-
-        Returns:
-            若 out_dataset 为 None，返回波段列表；
-            若 out_dataset 不为 None，返回 None（波段已直接写入输出文件）
+            out_dataset: 提供→流式写入；None→累积返回(大图像慎用)
         """
         # 获取NIR波段对象（用于所有波段的校正）
         band_640 = self.dataset.GetRasterBand(self.NIR_lower + 1)
@@ -212,40 +235,58 @@ class Goodman:
         diff_640_750 = R_640 - R_750
         del R_640  # 释放不再需要的 R_640
 
-        # 获取水域掩膜
-        water_mask_bool = self.water_mask.astype(bool) if self.water_mask is not None else None
+        # 水域掩膜 + 水体占比检测（控制行段跳跃模式）
+        water = self.water_mask.astype(bool) if self.water_mask is not None else None
+        water_pct = (100.0 * np.count_nonzero(water) / water.size) if water is not None else 100.0
+
+        # 行段跳跃: 水域占比 < 50% 时启用
+        _use_row_skip = (water is not None and water_pct < 50.0)
+        if _use_row_skip:
+            water_rows_flag = np.any(water, axis=1)
+            _water_row_ranges = _find_water_row_ranges(water_rows_flag)
+            _n_water_rows = int(np.sum(water_rows_flag))
+            print(f"  [性能] 水域占比 {water_pct:.1f}%，行段跳跃模式："
+                  f"{len(_water_row_ranges)} 个含水段 (覆盖 {_n_water_rows}/{self.height} 行)")
 
-        # 输出模式
         streaming = (out_dataset is not None)
         corrected_bands = [] if not streaming else None
 
         # 逐波段处理
         for i in tqdm(range(self.n_bands), desc="处理波段 (GDAL)",
                        total=self.n_bands, disable=_is_frozen_gui):
-            # 读取当前波段
             current_band = self.dataset.GetRasterBand(i + 1)
-            R = current_band.ReadAsArray().astype(np.float32)
 
-            # 校正计算（原地操作以减少临时分配）
-            corrected = R - R_750
-            corrected += self.A
-            corrected += self.B * diff_640_750
-            np.maximum(corrected, 0, out=corrected)
-
-            # 水域掩膜：只在有水的地方用校正值，陆地保持原值
-            if water_mask_bool is not None:
-                corrected = np.where(water_mask_bool, corrected, R)
+            if _use_row_skip:
+                # ◆ 行段跳跃模式：读全波段 → 仅在水体行段上原地校正
+                R = current_band.ReadAsArray().astype(np.float32)
+                for r0, r1 in _water_row_ranges:
+                    rs, w = slice(r0, r1), water[r0:r1, :]
+                    Rs = R[rs, :]
+                    Rs[w] = (Rs[w] - R_750[rs, :][w] + self.A
+                             + self.B * diff_640_750[rs, :][w])
+                    np.maximum(Rs[w], 0, out=Rs[w])
+                    del Rs
+            else:
+                R = current_band.ReadAsArray().astype(np.float32)
+                if water is not None:
+                    # ◆ 全图模式 + 掩膜：原地校正仅水体像素（零额外分配）
+                    R[water] = (R[water] - R_750[water] + self.A
+                                + self.B * diff_640_750[water])
+                    np.maximum(R[water], 0, out=R[water])
+                else:
+                    # ◆ 无掩膜：全图校正（最快 SIMD 路径）
+                    np.subtract(R, R_750, out=R)
+                    np.add(R, self.A, out=R)
+                    np.add(R, self.B * diff_640_750, out=R)
+                    np.maximum(R, 0, out=R)
 
             if streaming:
-                # 流式模式：立即写入磁盘并释放
                 out_band = out_dataset.GetRasterBand(i + 1)
-                out_band.WriteArray(corrected)
+                out_band.WriteArray(R)
                 out_band.FlushCache()
-                del corrected, R
-            else:
-                # 传统模式：累积到列表
-                corrected_bands.append(corrected)
                 del R
+            else:
+                corrected_bands.append(R)
 
         # 清理
         del R_750, diff_640_750