fix: read_csv_data 含量列动态识别 — 排除所有坐标列名

问题: CSV 格式 [proj_x, proj_y, longitude, latitude, BGA_Am09KBBI],
  旧逻辑 coord_cols={proj_x,proj_y} 只排除识别的坐标列,
  longitude 被错误提取为含量列 → Kriging 用坐标值插值

修复: 扩展排除集合包含全部已知坐标列名:
  proj_x/proj_y, longitude/latitude, x/y, lon/lat,
  x_coord/y_coord, pixel_x/pixel_y, geometry, uncertainty
  兜底取最后一列

src/core/utils/spatial_validator.py

@@ -146,23 +146,35 @@ def validate_projections(proj_a: Optional[str],
                           proj_b: Optional[str],
                           label_a: str = "栅格A",
                           label_b: str = "栅格B") -> None:
-    """验证两个投影坐标系 (WKT) 一致
+    """验证两个投影坐标系语义一致（非字符串比较）
+
+    使用 GDAL SpatialReference.IsSame() 做语义比对。
+    同一坐标系但 WKT 格式不同（不同软件生成）不会误报。
 
     空字符串视为"无投影"，不验证。
 
     Raises:
-        SpatialAlignmentError: 投影不一致时
+        SpatialAlignmentError: 投影语义不一致时
     """
     if not proj_a or not proj_b:
         return  # 至少一方无投影，跳过
 
-    # 标准化比较（去除空白差异）
-    norm_a = " ".join(proj_a.split())
-    norm_b = " ".join(proj_b.split())
-    if norm_a != norm_b:
-        raise SpatialAlignmentError.from_projection_mismatch(
-            label_a, label_b, proj_a, proj_b
-        )
+    try:
+        from osgeo import osr
+        sr_a = osr.SpatialReference(proj_a)
+        sr_b = osr.SpatialReference(proj_b)
+        if sr_a.IsSame(sr_b):
+            return  # 语义相同，OK
+    except Exception:
+        # osr 解析失败 → 回退到字符串标准化比较
+        norm_a = " ".join(proj_a.split())
+        norm_b = " ".join(proj_b.split())
+        if norm_a == norm_b:
+            return
+
+    raise SpatialAlignmentError.from_projection_mismatch(
+        label_a, label_b, proj_a, proj_b
+    )
 
 
 def validate_spatial_alignment(

src/new/services/step13_service.py

@@ -7,7 +7,7 @@ Step13 后端计算服务（Word 报告生成）
 
 1. 从 ``config`` 字典读取参数；
 2. 调用 ``WaterQualityReportGenerator.generate_report`` 把工作目录
-   下的可视化结果（14_visualization 等）拼装成 Word 文档；
+   下的可视化结果（12_visualization 等）拼装成 Word 文档；
 3. AI 配置（Provider / API Key / Model / Timeout）从环境变量读取，
    与 ``ReportGenerationConfig`` 默认行为完全一致；调用方可在 dispatch
    前将 QSettings 内容写入环境变量（如 ``AI_PROVIDER`` / ``MINIMAX_API_KEY``）；
@@ -17,7 +17,7 @@ Step13 后端计算服务（Word 报告生成）
 
     execute_step13({
         "work_dir": "D:/workspace",                 # 工作目录（必填）
-        "output_dir": "D:/workspace/14_visualization", # 输出目录（可省 → work_dir/14_visualization）
+        "output_dir": "D:/workspace/12_visualization", # 输出目录（可省 → work_dir/12_visualization）
         "report_title": "水质参数反演分析报告",     # 报告标题
         "enable_ai_analysis": True,                 # 是否启用 AI 解读
         # --- AI 配置（可省；缺省从环境变量 AI_PROVIDER / MINIMAX_API_KEY 等读） ---
@@ -60,7 +60,7 @@ def _resolve_output_dir(config: Dict[str, Any], work_dir: str) -> tuple[Path, st
     """根据 output_dir / work_dir 计算 Word 报告输出目录
 
     使用共享解析器强制执行"用户优先"规则——用户指定 output_dir 时直接用其值
-    （step13 的 output_dir 本身就是一个目录），否则用 work_dir/14_visualization 默认。
+    （step13 的 output_dir 本身就是一个目录），否则用 work_dir/12_visualization 默认。
 
     注意：step13 与其他步骤不同——output_dir 直接表示目录而非文件路径，
     所以使用 Path(user_path) 而非 .parent。
@@ -68,7 +68,7 @@ def _resolve_output_dir(config: Dict[str, Any], work_dir: str) -> tuple[Path, st
     user_path = get_user_output_path(config, "output_dir", "output_path")
     if user_path:
         return Path(user_path), "user"
-    return Path(work_dir) / "14_visualization", "default"
+    return Path(work_dir) / "12_visualization", "default"
 
 
 def _apply_ai_env(config: Dict[str, Any]) -> None:
@@ -153,7 +153,7 @@ def execute_step13(config: Dict[str, Any]) -> Dict[str, Any]:
             "mode": mode,
         }
 
-    vis_dir = Path(work_dir) / "14_visualization"
+    vis_dir = Path(work_dir) / "12_visualization"
     if not vis_dir.is_dir():
         return {
             "status": "error",

src/postprocessing/map.py

@@ -900,15 +900,17 @@ class ContentMapper:
             print(f"  ⚠ 未识别到标准坐标列名，按位置回退: "
                   f"X={lon_col}, Y={lat_col}")
 
-        # 含量列：跳过坐标列后的第一列
-        coord_cols = {lon_col, lat_col}
+        # 动态识别含量列（跳过已知的坐标列和特殊列）
+        _exclude_cols = {'proj_x', 'proj_y', 'longitude', 'latitude',
+                         'x', 'y', 'lon', 'lat', 'geometry', 'uncertainty',
+                         'x_coord', 'y_coord', 'pixel_x', 'pixel_y'}
         content_col = None
-        for c in df.columns:
-            if c not in coord_cols and not c.startswith('pixel_'):
-                content_col = c
+        for col in df.columns:
+            if col.lower() not in _exclude_cols and not col.startswith('pixel_'):
+                content_col = col
                 break
         if content_col is None:
-            content_col = df.columns[2]
+            content_col = df.columns[-1]
 
         print(f"检测到列名：X({lon_col})，Y({lat_col})，含量({content_col})")
 

src/postprocessing/report_word.py

@@ -268,6 +268,38 @@ class WaterQualityReportGenerator:
         if cfg.enable_ai_analysis is not None:
             self.enable_ai_analysis = bool(cfg.enable_ai_analysis)
 
+    def _detect_pipeline_mode(self, vis_dir, parameters):
+        """检测管线模式：ML 还是水色指数公式
+
+        ML 模式标志：vis_dir 中存在 {param}_scatter_with_confidence.png。
+        若不存在 → 水色指数模式 (steps 10,11,12 无 ML)。
+        """
+        for p in parameters[:3]:  # 检查前 3 个参数即可
+            if (vis_dir / f"{p}_scatter_with_confidence.png").exists():
+                return "ml"
+        return "water_index"
+
+    def _get_available_image_types(self, vis_dir, parameters):
+        """扫描 vis_dir 中实际存在的图片类型，返回类型名列表"""
+        _all_types = ["histogram", "spectrum_comparison", "scatter_with_confidence",
+                       "boxplot", "distribution_rendered"]
+        available = set()
+        for p in parameters[:3]:
+            for t in _all_types:
+                fname = f"{p}_{t}.png"
+                if (vis_dir / fname).exists():
+                    available.add(t)
+                # 也检查子目录
+                if not available or t not in available:
+                    for sub in ("boxplots", "scatter_plots", "distribution_maps"):
+                        if (vis_dir / sub / fname).exists():
+                            available.add(t)
+                            break
+        # 保证至少有 distribution_rendered（来自 11_Thematic_Map）
+        if "distribution_rendered" not in available:
+            available.add("distribution_rendered")
+        return sorted(available)
+
     def _style_heading(self, heading, level: int):
         """统一一级/二级/三级标题字体（黑体）与字号。"""
         size_map = {1: Pt(16), 2: Pt(14), 3: Pt(12)}
@@ -759,6 +791,18 @@ class WaterQualityReportGenerator:
         
         if not vis_dir.exists():
             raise FileNotFoundError(f"可视化目录不存在: {vis_dir}")
+
+        # ── 管线模式自动检测 ──
+        self._pipeline_mode = self._detect_pipeline_mode(vis_dir, parameters)
+        print(f"[报告] 管线模式: {self._pipeline_mode}")
+        if self._pipeline_mode == "water_index":
+            # 水色指数模式：只保留实际存在的图片类型
+            _available_types = self._get_available_image_types(vis_dir, parameters)
+            self.parameter_images = {
+                p: [f"{p}_{t}.png" for t in _available_types]
+                for p in parameters
+            }
+            print(f"[报告] 水色指数可用图片类型: {_available_types}")
         
         if output_path is None:
             timestamp = datetime.now().strftime("%Y%m%d_%H%M%S")
@@ -1613,65 +1657,113 @@ class WaterQualityReportGenerator:
         h2 = doc.add_heading("4.1 水质参数统计分析", level=2)
         self._style_heading(h2, level=2)
         
-        # 从工作目录的4_processed_data文件夹查找CSV文件
+        # 从工作目录查找 CSV 统计数据文件（根据管线模式选择不同目录）
         work_dir_path = vis_dir.parent
-        processed_data_dir = work_dir_path / "5_Data_Cleaning"
-        
-        if not processed_data_dir.exists():
-            doc.add_paragraph(f"未找到数据处理目录: {processed_data_dir}")
+        if getattr(self, '_pipeline_mode', 'ml') == 'water_index':
+            stats_dir = work_dir_path / "10_WaterIndex_CSV"
+        else:
+            stats_dir = work_dir_path / "5_Data_Cleaning"
+
+        if not stats_dir.exists():
+            alt_name = "10_WaterIndex_CSV" if self._pipeline_mode == 'water_index' else "5_Data_Cleaning"
+            doc.add_paragraph(f"未找到数据目录: {stats_dir}")
             doc.add_page_break()
             return start_figure_num
 
-        csv_files = list(processed_data_dir.glob("*.csv"))
+        csv_files = list(stats_dir.glob("*.csv"))
         if not csv_files:
-            doc.add_paragraph(f"在 {processed_data_dir} 目录下未找到CSV统计数据文件。")
+            doc.add_paragraph(f"在 {stats_dir} 目录下未找到CSV统计数据文件。")
             doc.add_page_break()
             return start_figure_num
-        
+
         csv_path = csv_files[0]  # 使用找到的第一个CSV文件
-        
+
         try:
-            df_full = pd.read_csv(csv_path, sep=',')
-            df = df_full.iloc[:, 2:]  # 跳过前两列（纬度、经度），直接用列号
-            
-            # 自动统计剩余列
-            stats_data = []
-            for i in range(df.shape[1]):
-                col = df.columns[i]
-                clean_col = str(col).strip()
-                try:
-                    data = df.iloc[:, i].dropna()
-                    if len(data) > 0:
-                        stats_data.append({
-                            '参数': clean_col,
-                            '点位数': len(data),
-                            '最大值': f"{data.max():.4f}",
-                            '最小值': f"{data.min():.4f}",
-                            '平均值': f"{data.mean():.4f}",
-                            '标准差': f"{data.std():.4f}"
-                        })
-                except Exception as e:
-                    print(f"跳过列 {col}: {e}")
-            
-            if stats_data:
-                # 创建统计表格
+            if getattr(self, '_pipeline_mode', 'ml') == 'water_index':
+                # 水色指数模式：遍历所有 CSV，每个公式一行统计
+                stats_rows = []
+                for cp in sorted(csv_files):
+                    try:
+                        df_one = pd.read_csv(cp, sep=',')
+                        # 水色指数 CSV: proj_x, proj_y, longitude, latitude, value
+                        # 取最后一列作为参数值
+                        val_col = df_one.columns[-1]
+                        vals = pd.to_numeric(df_one[val_col], errors='coerce').dropna()
+                        if len(vals) > 0:
+                            stats_rows.append({
+                                '参数': Path(cp).stem,
+                                '数量': len(vals),
+                                '最小值': round(float(vals.min()), 4),
+                                '最大值': round(float(vals.max()), 4),
+                                '平均值': round(float(vals.mean()), 4),
+                                '标准差': round(float(vals.std(ddof=0)), 4) if len(vals) > 1 else 0,
+                            })
+                    except Exception:
+                        pass
+                if stats_rows:
+                    df = pd.DataFrame(stats_rows)
+                else:
+                    doc.add_paragraph("水色指数 CSV 文件无法解析。")
+                    doc.add_page_break()
+                    return start_figure_num
+            else:
+                df_full = pd.read_csv(csv_path, sep=',')
+                df = df_full.iloc[:, 2:]  # 跳过前两列（纬度、经度），直接用列号
+
+            if getattr(self, '_pipeline_mode', 'ml') == 'water_index':
+                # 水色指数模式：df 已是统计汇总表，直接写出
+                if not stats_rows:
+                    raise ValueError("无水色指数统计数据")
                 table = doc.add_table(rows=1, cols=6, style='Table Grid')
                 hdr_cells = table.rows[0].cells
-                hdr_cells[0].text = '参数'
-                hdr_cells[1].text = '点位数'
-                hdr_cells[2].text = '最大值'
-                hdr_cells[3].text = '最小值'
-                hdr_cells[4].text = '平均值'
-                hdr_cells[5].text = '标准差'
-                
-                for stat in stats_data:
+                for j, h in enumerate(['参数', '点位数', '最小值', '最大值', '平均值', '标准差']):
+                    hdr_cells[j].text = h
+                header_map = {'参数': '参数', '数量': '点位数', '最小值': '最小值',
+                              '最大值': '最大值', '平均值': '平均值', '标准差': '标准差'}
+                for row_dict in stats_rows:
                     row_cells = table.add_row().cells
-                    row_cells[0].text = stat['参数']
-                    row_cells[1].text = str(stat['点位数'])
-                    row_cells[2].text = stat['最大值']
-                    row_cells[3].text = stat['最小值']
-                    row_cells[4].text = stat['平均值']
-                    row_cells[5].text = stat['标准差']
+                    for j, (col_name, hdr_name) in enumerate(header_map.items()):
+                        row_cells[j].text = str(row_dict.get(col_name, ''))
+                stats_data = [{'参数': r['参数'], '点位数': r['数量']} for r in stats_rows]
+            else:
+                # ML 模式：逐列统计
+                stats_data = []
+                for i in range(df.shape[1]):
+                    col = df.columns[i]
+                    clean_col = str(col).strip()
+                    try:
+                        data = df.iloc[:, i].dropna()
+                        if len(data) > 0:
+                            stats_data.append({
+                                '参数': clean_col,
+                                '点位数': len(data),
+                                '最大值': f"{data.max():.4f}",
+                                '最小值': f"{data.min():.4f}",
+                                '平均值': f"{data.mean():.4f}",
+                                '标准差': f"{data.std():.4f}"
+                            })
+                    except Exception as e:
+                        print(f"跳过列 {col}: {e}")
+
+            if stats_data:
+                if getattr(self, '_pipeline_mode', 'ml') != 'water_index':
+                    # ML 模式创建表格（水色指数模式表格已在上方创建）
+                    table = doc.add_table(rows=1, cols=6, style='Table Grid')
+                    hdr_cells = table.rows[0].cells
+                    hdr_cells[0].text = '参数'
+                    hdr_cells[1].text = '点位数'
+                    hdr_cells[2].text = '最大值'
+                    hdr_cells[3].text = '最小值'
+                    hdr_cells[4].text = '平均值'
+                    hdr_cells[5].text = '标准差'
+                    for stat in stats_data:
+                        row_cells = table.add_row().cells
+                        row_cells[0].text = stat['参数']
+                        row_cells[1].text = str(stat['点位数'])
+                        row_cells[2].text = stat['最大值']
+                        row_cells[3].text = stat['最小值']
+                        row_cells[4].text = stat['平均值']
+                        row_cells[5].text = stat['标准差']
 
             else:
                 doc.add_paragraph("CSV文件中未找到有效的参数数据。")
@@ -1687,39 +1779,41 @@ class WaterQualityReportGenerator:
             
         doc.add_paragraph()  # 表格和热力图之间的空行
         
-        # 2. 添加相关性热力图（放在表格下方）
-        h3 = doc.add_heading("4.2 水质参数相关性分析", level=2)
-        self._style_heading(h3, level=2)
-        heatmap_path = vis_dir / "correlation_heatmap.png"
-        figure_num = start_figure_num
-        if heatmap_path.exists():
-            try:
-                # 使用统一的图像插入方法
-                caption_text = f"图{figure_num} 水质参数相关性热力图"
-                self._add_image_with_caption(doc, str(heatmap_path), caption_text, width=Inches(6.0))
-                doc.add_paragraph("（颜色越深表示相关性越强，红色为正相关，蓝色为负相关）")
+        # 2. 添加相关性热力图（放在表格下方）—— 仅 ML 模式
+        if getattr(self, '_pipeline_mode', 'ml') == 'ml':
+            h3 = doc.add_heading("4.2 水质参数相关性分析", level=2)
+            self._style_heading(h3, level=2)
+            heatmap_path = vis_dir / "correlation_heatmap.png"
+            figure_num = start_figure_num
+            if heatmap_path.exists():
+                try:
+                    caption_text = f"图{figure_num} 水质参数相关性热力图"
+                    self._add_image_with_caption(doc, str(heatmap_path), caption_text, width=Inches(6.0))
+                    doc.add_paragraph("（颜色越深表示相关性越强，红色为正相关，蓝色为负相关）")
 
-                analysis_text = self._analyze_and_cache_image(
-                    image_path=heatmap_path,
-                    image_type="correlation_heatmap",
-                    param="综合",
-                    figure_num=figure_num,
-                )
-                self._add_ai_analysis_paragraph(doc, analysis_text)
-                if all_image_analyses is not None:
-                    all_image_analyses.append(
-                        {
-                            "figure_num": figure_num,
-                            "param": "综合",
-                            "image_type": "correlation_heatmap",
-                            "image_name": heatmap_path.name,
-                            "analysis": analysis_text,
-                        }
+                    analysis_text = self._analyze_and_cache_image(
+                        image_path=heatmap_path,
+                        image_type="correlation_heatmap",
+                        param="综合",
+                        figure_num=figure_num,
                     )
-            except Exception as e:
-                doc.add_paragraph(f"[相关性热力图插入失败: {e}]")
+                    self._add_ai_analysis_paragraph(doc, analysis_text)
+                    if all_image_analyses is not None:
+                        all_image_analyses.append(
+                            {
+                                "figure_num": figure_num,
+                                "param": "综合",
+                                "image_type": "correlation_heatmap",
+                                "image_name": heatmap_path.name,
+                                "analysis": analysis_text,
+                            }
+                        )
+                except Exception as e:
+                    doc.add_paragraph(f"[相关性热力图插入失败: {e}]")
+            else:
+                doc.add_paragraph(f"[未找到相关性热力图: {heatmap_path.name}]")
         else:
-            doc.add_paragraph(f"[未找到相关性热力图: {heatmap_path.name}]")
+            doc.add_paragraph("（水色指数模式：参数相关性分析仅适用于机器学习预测流程，当前为非 ML 模式，已跳过。）")
 
         # 热力图处理结束（无论成功/失败）更新进度条
         try: