增加坡度计算

slope/caijian.py

@@ -0,0 +1,103 @@
+import rasterio
+from rasterio.warp import reproject, Resampling
+import numpy as np
+
+def merge_angles_with_slope_aspect(angle_file, slope_aspect_file, output_file,
+                                   resampling=Resampling.bilinear):
+    """
+    将坡度坡向波段添加到角度文件波段之后，输出合并的ENVI DAT文件。
+    输出文件的空间范围、分辨率、投影与角度文件完全一致。
+    掩膜基于角度文件的忽略值生成：只有所有角度波段均为忽略值(0.0)的像素才被设为忽略值。
+    输出文件的忽略值统一设为0.0。
+
+    Parameters
+    ----------
+    angle_file : str
+        包含角度信息的ENVI DAT文件（如传感器角度、太阳角度等，至少1个波段）。
+        该文件定义了输出的目标空间参数和掩膜基准。
+    slope_aspect_file : str
+        包含坡度坡向的ENVI DAT文件（通常2个波段）。
+    output_file : str
+        输出合并后的ENVI DAT文件路径（将自动生成.hdr头文件）。
+    resampling : rasterio.warp.Resampling, optional
+        重采样方法，默认为双线性（适用于连续参数）。
+    """
+    # 1. 从角度文件获取目标空间参数、数据、掩膜
+    with rasterio.open(angle_file) as src_angle:
+        # 目标空间参数
+        dst_transform = src_angle.transform
+        dst_width = src_angle.width
+        dst_height = src_angle.height
+        dst_crs = src_angle.crs
+
+        # 读取角度文件所有波段
+        angle_data = src_angle.read()  # shape: (bands, rows, cols)
+        angle_count = src_angle.count
+
+        # 获取角度文件的忽略值（如果未定义，默认为0.0，但应给出警告）
+        angle_nodata = src_angle.nodata
+        if angle_nodata is None:
+            print("警告：角度文件未定义忽略值，将使用0.0作为默认忽略值。")
+            angle_nodata = 0.0
+
+        # 构建掩膜：所有波段均不等于忽略值视为有效
+        mask = np.all(angle_data != angle_nodata, axis=0)
+
+    # 2. 处理坡度坡向文件：重采样到目标空间
+    with rasterio.open(slope_aspect_file) as src_sa:
+        src_sa_data = src_sa.read()          # shape: (bands, src_sa_height, src_sa_width)
+        src_sa_count = src_sa.count
+        src_sa_crs = src_sa.crs
+        src_sa_transform = src_sa.transform
+
+        sa_resampled = np.empty((src_sa_count, dst_height, dst_width),
+                                dtype=src_sa_data.dtype)
+
+        reproject(
+            source=src_sa_data,
+            destination=sa_resampled,
+            src_transform=src_sa_transform,
+            src_crs=src_sa_crs,
+            dst_transform=dst_transform,
+            dst_crs=dst_crs,
+            resampling=resampling
+        )
+
+    # 3. 合并波段：角度在前，坡度坡向在后
+    merged_data = np.concatenate([angle_data, sa_resampled], axis=0)
+    merged_count = merged_data.shape[0]
+
+    # 4. 准备输出元数据（基于角度文件的profile）
+    with rasterio.open(angle_file) as src_angle:
+        out_profile = src_angle.profile.copy()
+        output_nodata = 0.0   # 强制输出忽略值为0.0（用户要求）
+        out_profile.update({
+            'driver': 'ENVI',
+            'height': dst_height,
+            'width': dst_width,
+            'transform': dst_transform,
+            'crs': dst_crs,
+            'count': merged_count,
+            'dtype': merged_data.dtype,
+            'nodata': output_nodata
+        })
+
+    # 5. 应用掩膜：将无效区域的像素设为忽略值0.0
+    for b in range(merged_count):
+        merged_data[b, ~mask] = output_nodata
+
+    # 6. 写入输出文件
+    with rasterio.open(output_file, 'w', **out_profile) as dst:
+        dst.write(merged_data)
+
+    print(f"处理完成！合并后的文件已保存至：{output_file}")
+    print(f"总波段数：{merged_count}（角度 {angle_count} 波段 + 坡度坡向 {src_sa_count} 波段）")
+    print(f"有效像素区域基于角度文件所有波段判断，忽略值统一设为 0.0。")
+
+# 示例用法
+if __name__ == "__main__":
+    angle_file = r"E:\is2\yaopu\output\angel.dat"               # 角度DAT文件
+    slope_aspect_file = r"E:\is2\yaopu\DEM\slope_aspect_cosine.dat"   # 原始坡度坡向DAT
+    out_file = r"E:\is2\yaopu\DEM\angles_with_slope_aspect.dat" # 合并输出
+
+    merge_angles_with_slope_aspect(angle_file, slope_aspect_file, out_file)

slope/readme.txt

@@ -0,0 +1,197 @@
+================================================================================
+                    地形校正模块 - 已知问题与改进方向
+================================================================================
+
+【问题描述】
+-----------
+当前版本的 slope_aspectV2.py 在处理推扫式无人机高光谱图像时，存在一个关键假设：
+整幅图像使用单一的太阳天顶角和方位角来计算 cosine_i（入射角余弦）。
+
+然而，实际数据采集情况是：
+- 高光谱图像由3个架次的无人机飞行拼接而成
+- 每个架次的飞行时间不同（通常间隔数分钟至数十分钟）
+- 因此，不同扫描线（或不同图像区域）对应的太阳角度是不同的
+- 但目前代码仅基于DEM中心点坐标计算一组太阳角度，并应用于整幅图像
+
+【技术影响】
+-----------
+这个简化会导致以下问题：
+
+1. 时间跨度误差
+   - 假设3个架次间隔30分钟，太阳方位角可能变化7-8度（取决于纬度）
+   - 在日出/日落时段，太阳高度角变化可达10-15度
+   - 这会导致不同架次交界处的 cosine_i 出现系统性偏差
+
+2. 地形校正不准确
+   - 东向坡面：过早架次会低估照明，过晚架次会高估照明
+   - 西向坡面：与东向坡面相反
+   - 交界区域会出现明显的"拼接缝"现象
+
+3. BRDF校正累积误差
+   - cosine_i 是许多BRDF模型的关键输入参数
+   - 角度误差会传播到后续的BRDF地形校正结果
+
+【当前代码实现】
+---------------
+文件: slope/slope_aspectV2.py
+
+当前流程：
+  1. 读取DEM -> 2. 计算坡度/坡向 -> 3. 获取DEM中心点坐标(lat, lon)
+  4. 根据单一时间计算一组太阳角度(solar_zn, solar_az)
+  5. 将这组角度应用于整幅图像的所有像素
+
+关键代码段（约110-130行）：
+  ```python
+  # 获取DEM中心点坐标
+  latitude, longitude = get_dem_center_coords(dem)  # 仅一个中心点！
+  
+  # 计算太阳角度（仅一组）
+  solar_zn_deg, solar_az_deg = calc_solar_angles(latitude, longitude, observation_time)
+  
+  # 应用于整幅图像
+  cosine_i = calc_cosine_i(solar_zn_rad, solar_az_rad, aspect_rad, slope_rad)
+  ```
+
+【需要的改进方向】
+-----------------
+接手人员需要进行以下修改：
+
+方案A: 分架次处理（推荐）
+----------------------------
+如果已知3个架次的地理分界线或时间范围：
+
+  1. 输入格式修改
+     - 接收3组时间参数（或从飞行日志自动提取）
+     - 例如: -t1 "2024-06-15 08:30:00" -t2 "2024-06-15 09:00:00" -t3 "2024-06-15 09:30:00"
+
+  2. 空间分区处理
+     - 根据每架次的覆盖范围（可从高光谱图像的GLT或地理坐标确定）
+     - 将DEM分割为3个区域
+     - 每个区域使用对应架次的时间计算太阳角度
+
+  3. 修改后的伪代码示例：
+     ```python
+     # 定义3个架次的时间和地理范围
+     flight_segments = [
+         {'time': '2024-06-15 08:30:00', 'row_range': (0, 1200)},      # 架次1: 行0-1199
+         {'time': '2024-06-15 09:00:00', 'row_range': (1200, 2800)},  # 架次2: 行1200-2799
+         {'time': '2024-06-15 09:30:00', 'row_range': (2800, 4000)},  # 架次3: 行2800-3999
+     ]
+     
+     # 初始化cosine_i数组
+     cosine_i = np.zeros_like(slope_data)
+     
+     # 分段计算
+     for segment in flight_segments:
+         dt = parse_datetime(segment['time'])
+         solar_zn, solar_az = calc_solar_angles(lat, lon, dt)
+         
+         y1, y2 = segment['row_range']
+         cosine_i[y1:y2, :] = calc_cosine_i(
+             np.deg2rad(solar_zn), np.deg2rad(solar_az),
+             aspect_rad[y1:y2, :], slope_rad[y1:y2, :]
+         )
+     ```
+
+方案B: 逐行/逐像素太阳角度（更精确）
+-------------------------------------
+如果需要更高精度（考虑太阳角度在单架次内的缓慢变化）：
+
+  1. 输入要求
+     - 高光谱图像的每一行对应的时间戳（可从IMU/GPS数据提取）
+     - 或者：每个像素的精确UTC时间
+
+  2. 逐行计算
+     ```python
+     # 假设times是一个与图像行数相同长度的一维数组
+     # times[i] = 第i行的观测时间（datetime对象）
+     
+     for row in range(n_rows):
+         dt = observation_times[row]  # 该行的具体时间
+         solar_zn, solar_az = calc_solar_angles(lat, lon, dt)
+         
+         cosine_i[row, :] = calc_cosine_i(
+             np.deg2rad(solar_zn), np.deg2rad(solar_az),
+             aspect_rad[row, :], slope_rad[row, :]
+         )
+     ```
+
+  3. 性能优化
+     - 由于pvlib计算较慢，可对时间相近的行批量计算
+     - 例如：每10行计算一次太阳角度，中间行插值
+
+方案C: 从飞行日志自动提取（最自动化）
+--------------------------------------
+如果飞行平台记录了GPS/IMU数据：
+
+  1. 输入数据
+     - 读取POS数据（位置、姿态、时间）
+     - 或从高光谱图像的GLT（地理位置查找表）提取
+
+  2. 建立时间-位置映射
+     - 根据无人机位置和时间建立每行图像的观测时间
+
+  3. 分区域计算cosine_i
+
+【数据结构参考】
+---------------
+典型的推扫式高光谱数据结构：
+
+高光谱图像 (lines, samples, bands)
+  - lines: 扫描线数（飞行方向的像素数）
+  - samples: 每行的像素数（垂直飞行方向）
+  - 第i行对应无人机的第i个位置
+
+关键信息来源：
+  1. 图像头文件 (.hdr) - 通常包含起始时间和积分时间
+  2. GLT文件 (Geographic Lookup Table) - 每个像素的地理坐标
+  3. 飞行日志/POS数据 - 每行对应的时间戳
+  4. 帧辅助数据 (Frame Auxiliary Data) - 部分传感器自带每帧时间
+
+【建议的输入接口修改】
+----------------------
+当前命令行接口：
+  python slope_aspectV2.py -i dem.tif -o output.dat -t "2024-06-15 10:00:00"
+
+建议扩展为：
+  # 方式1: 手动指定3个架次的时间和行范围
+  python slope_aspectV2.py -i dem.tif -o output.dat \
+      --segments "0,1200,2024-06-15T08:30:00" \
+      --segments "1200,2800,2024-06-15T09:00:00" \
+      --segments "2800,4000,2024-06-15T09:30:00"
+
+  # 方式2: 从飞行日志文件自动读取
+  python slope_aspectV2.py -i dem.tif -o output.dat --time-log flight_log.csv
+
+  # 方式3: 从高光谱图像头文件提取时间信息
+  python slope_aspectV2.py -i dem.tif -o output.dat --hyperspectral-ref image.hdr
+
+【验证方法】
+-----------
+修改后应验证以下指标：
+
+1. 连续性检查
+   - 目视检查3个架次交界处的cosine_i是否连续
+   - 统计交界行前后10行的cosine_i差异
+
+2. 物理合理性
+   - 东向坡的cosine_i应随时间增加而增加（上午飞行）
+   - 西向坡的cosine_i应随时间增加而减小（上午飞行）
+
+3. 与GLT对比
+   - 如果高光谱有GLT，可根据每像素的太阳角度公式验证
+
+【相关文件】
+-----------
+- slope_aspectV2.py       - 当前主程序（需要修改）
+- angle_compute.py        - 角度计算工具（可能包含相关逻辑）
+- 高光谱图像的.hdr文件   - 可能包含时间元数据
+- 飞行日志/POS数据        - 外部时间参考
+
+【优先级建议】
+--------------
+1. 【高】首先实现方案A（分架次处理）- 工作量适中，效果显著
+2. 【中】评估是否需要方案B（逐行）- 取决于太阳角度变化幅度
+3. 【低】长期可考虑方案C（全自动）- 需要整合飞行数据解析
+
+简单来说在计算的时候，需要加入角度文件，进行逐像素的cosi计算

slope/slope_aspect.py

@@ -0,0 +1,83 @@
+import xdem
+import rasterio
+import numpy as np
+
+def calc_cosine_i(solar_zn, solar_az, aspect, slope):
+    """Generate cosine i image. The cosine of the incidence angle (i) is
+       defined as the angle between the normal to the pixel surface
+       and the solar zenith direction.
+       All input geometry units must be in radians.
+
+    Args:
+        solar_az (numpy.ndarray): Solar azimuth angle.
+        solar_zn (numpy.ndarray): Solar zenith angle.
+        aspect (numpy.ndarray): Ground aspect.
+        slope (numpy.ndarray): Ground slope.
+
+    Returns:
+        numpy.ndarray: Cosine i image.
+    """
+    relative_az = aspect - solar_az
+    cosine_i = (np.cos(solar_zn) * np.cos(slope) +
+                np.sin(solar_zn) * np.sin(slope) * np.cos(relative_az))
+    return cosine_i
+
+# ========== 1. 读取 DEM ==========
+dem = xdem.DEM("E:/is2/yaopu/DEM/dsm.tif")
+
+# ========== 2. 计算坡度、坡向 ==========
+slope = xdem.terrain.slope(dem, method='ZevenbergThorne')
+aspect = xdem.terrain.aspect(dem)
+
+# ========== 3. 获取空间参考信息 ==========
+transform = dem.transform
+crs = dem.crs
+
+# ========== 4. 转换为 numpy 数组 ==========
+slope_data = slope.data
+aspect_data = aspect.data
+
+# ========== 5. 太阳角度（单位：度，根据实际飞行时间和地理位置设置） ==========
+solar_zn_deg = 30.0   # 太阳天顶角（从天顶到太阳的夹角），例如 30°
+solar_az_deg = 180.0  # 太阳方位角（从北顺时针），例如 180°（正南）
+
+# 转换为弧度（因为三角函数需要弧度）
+solar_zn_rad = np.deg2rad(solar_zn_deg)
+solar_az_rad = np.deg2rad(solar_az_deg)
+
+# 坡度和坡向也转换为弧度
+slope_rad = np.deg2rad(slope_data)
+aspect_rad = np.deg2rad(aspect_data)
+
+# ========== 6. 计算 cosine_i ==========
+cosine_i = calc_cosine_i(solar_zn_rad, solar_az_rad, aspect_rad, slope_rad)
+
+# ========== 7. 处理无效值（NaN） ==========
+# 注意：将 NaN 替换为 0 可能会与真实值为 0 的像元混淆（如水平面坡度为0，阴影边缘cosine_i=0）。
+# 如需严格区分，建议使用特殊值（如 -9999）作为 NoData。
+slope_data = np.nan_to_num(slope_data, nan=0.0)
+aspect_data = np.nan_to_num(aspect_data, nan=0.0)
+cosine_i = np.nan_to_num(cosine_i, nan=0.0)
+
+# ========== 8. 堆叠为多波段数组（坡度、坡向、cosine_i） ==========
+stacked = np.stack([slope_data, aspect_data, cosine_i], axis=0)
+
+# ========== 9. 输出 ENVI 格式文件 ==========
+output_path = "E:/is2/yaopu/DEM/slope_aspect_cosine.dat"
+
+with rasterio.open(
+    output_path,
+    'w',
+    driver='ENVI',
+    height=stacked.shape[1],
+    width=stacked.shape[2],
+    count=stacked.shape[0],
+    dtype=stacked.dtype,
+    crs=crs,
+    transform=transform,
+    nodata=0.0,           # 与上面替换的 NaN 值一致
+) as dst:
+    dst.write(stacked)
+
+print(f"已保存多波段 ENVI 文件：{output_path}")
+print(f"波段顺序：1-坡度(°), 2-坡向(°), 3-cosine_i")

slope/slope_aspectV2.py

@@ -0,0 +1,381 @@
+#!/usr/bin/env python3
+# -*- coding: utf-8 -*-
+"""
+DEM地形处理工具 - 计算坡度、坡向和太阳入射角余弦
+
+该工具从DEM文件中提取坐标信息，根据给定时间计算太阳位置，
+并生成坡度、坡向和cosine_i的多波段ENVI文件。
+
+作者: BRDF_GUI Team
+版本: 2.0.0
+"""
+
+import xdem
+import rasterio
+import numpy as np
+import pandas as pd
+import argparse
+import sys
+from datetime import datetime
+from pathlib import Path
+import pvlib.solarposition as solarposition
+from rasterio.crs import CRS
+import pyproj
+
+
+def calc_cosine_i(solar_zn, solar_az, aspect, slope):
+    """
+    计算入射角余弦（cosine i）。
+    
+    入射角余弦定义为地表法线与太阳天顶方向之间夹角的余弦值。
+    所有角度输入必须为弧度。
+
+    Args:
+        solar_az (numpy.ndarray): 太阳方位角（弧度）
+        solar_zn (numpy.ndarray): 太阳天顶角（弧度）
+        aspect (numpy.ndarray): 地面坡向（弧度）
+        slope (numpy.ndarray): 地面坡度（弧度）
+
+    Returns:
+        numpy.ndarray: 入射角余弦图像
+    """
+    relative_az = aspect - solar_az
+    cosine_i = (np.cos(solar_zn) * np.cos(slope) +
+                np.sin(solar_zn) * np.sin(slope) * np.cos(relative_az))
+    return cosine_i
+
+
+def get_dem_center_coords(dem):
+    """
+    获取DEM图像中心点的经纬度坐标。
+
+    Args:
+        dem: xdem.DEM对象
+
+    Returns:
+        tuple: (纬度, 经度) - 单位：度
+    """
+    # 获取DEM的范围边界
+    bounds = dem.bounds  # (left, bottom, right, top)
+    center_x = (bounds.left + bounds.right) / 2
+    center_y = (bounds.bottom + bounds.top) / 2
+
+    # 如果DEM是投影坐标系，需要转换为WGS84经纬度
+    if dem.crs is not None and not dem.crs.is_geographic:
+        # 创建从投影坐标系到WGS84的转换
+        transformer = pyproj.Transformer.from_crs(dem.crs, CRS.from_epsg(4326), always_xy=True)
+        lon, lat = transformer.transform(center_x, center_y)
+    else:
+        # 已经是地理坐标系（经纬度）
+        lon, lat = center_x, center_y
+
+    return lat, lon
+
+
+def parse_datetime(datetime_str):
+    """
+    解析日期时间字符串。
+
+    支持的格式：
+    - YYYY-MM-DD HH:MM:SS
+    - YYYY-MM-DDTHH:MM:SS
+    - YYYYMMDD_HHMMSS
+
+    Args:
+        datetime_str (str): 日期时间字符串
+
+    Returns:
+        datetime: datetime对象（UTC时间）
+    """
+    formats = [
+        "%Y-%m-%d %H:%M:%S",
+        "%Y-%m-%dT%H:%M:%S",
+        "%Y%m%d_%H%M%S",
+        "%Y-%m-%d",
+    ]
+
+    for fmt in formats:
+        try:
+            dt = datetime.strptime(datetime_str, fmt)
+            # 如果只输入了日期，默认时间为正午12:00
+            if fmt == "%Y-%m-%d":
+                dt = dt.replace(hour=12, minute=0, second=0)
+            return dt
+        except ValueError:
+            continue
+
+    raise ValueError(f"无法解析日期时间: {datetime_str}. 支持的格式: YYYY-MM-DD HH:MM:SS, YYYY-MM-DDTHH:MM:SS, YYYYMMDD_HHMMSS")
+
+
+def get_user_input_datetime():
+    """
+    交互式获取用户输入的日期和时间。
+
+    Returns:
+        datetime: datetime对象（UTC时间）
+    """
+    print("请输入观测日期和时间（UTC时间）：")
+
+    try:
+        year = int(input("  年份 (YYYY): "))
+        month = int(input("  月份 (MM): "))
+        day = int(input("  日期 (DD): "))
+        hour = int(input("  小时 (HH, 24小时制): "))
+        minute = int(input("  分钟 (MM): "))
+        second = int(input("  秒 (SS): "))
+
+        dt = datetime(year, month, day, hour, minute, second)
+        print(f"\n使用的时间: {dt.strftime('%Y-%m-%d %H:%M:%S')} UTC")
+        return dt
+    except ValueError as e:
+        print(f"输入错误: {e}")
+        print("将使用默认时间 2024-06-15 10:00:00 UTC")
+        return datetime(2024, 6, 15, 10, 0, 0)
+
+
+def calc_solar_angles(lat, lon, dt):
+    """
+    使用pvlib计算太阳天顶角和方位角。
+
+    Args:
+        lat (float): 纬度（度）
+        lon (float): 经度（度）
+        dt (datetime): datetime对象（UTC时间）
+
+    Returns:
+        tuple: (太阳天顶角, 太阳方位角) - 单位：度
+               天顶角: 0=天顶, 90=地平线
+               方位角: 从北顺时针，0=北，90=东，180=南，270=西
+    """
+    # 创建时间索引
+    times = pd.DatetimeIndex([dt])
+
+    # 使用pvlib计算太阳位置
+    solpos = solarposition.get_solarposition(times, lat, lon)
+
+    solar_zn_deg = solpos['zenith'].values[0]      # 天顶角
+    solar_az_deg = solpos['azimuth'].values[0]    # 方位角
+
+    return solar_zn_deg, solar_az_deg
+
+
+def write_envi_output(output_path, data, transform, crs, metadata=None):
+    """
+    将数据写入ENVI格式文件。
+
+    Args:
+        output_path (str): 输出文件路径
+        data (numpy.ndarray): 数据数组 (bands, rows, cols)
+        transform: 地理变换参数
+        crs: 坐标参考系
+        metadata (dict, optional): 额外的元数据
+    """
+    with rasterio.open(
+        output_path,
+        'w',
+        driver='ENVI',
+        height=data.shape[1],
+        width=data.shape[2],
+        count=data.shape[0],
+        dtype=data.dtype,
+        crs=crs,
+        transform=transform,
+        nodata=0.0,
+    ) as dst:
+        dst.write(data)
+
+        # 写入ENVI头文件元数据
+        if metadata:
+            dst.update_tags(**metadata)
+
+
+def process_dem(dem_path, output_path, datetime_input=None, interactive=False):
+    """
+    主处理函数：读取DEM，计算坡度坡向，计算太阳角度，输出结果。
+
+    Args:
+        dem_path (str): DEM输入文件路径
+        output_path (str): 输出文件路径
+        datetime_input (str, optional): 日期时间字符串，如果为None则使用交互模式
+        interactive (bool): 是否使用交互式时间输入
+
+    Returns:
+        dict: 处理结果信息
+    """
+    # ========== 1. 读取 DEM ==========
+    print(f"读取DEM文件: {dem_path}")
+    dem = xdem.DEM(dem_path)
+
+    # ========== 2. 计算坡度、坡向 ==========
+    print("计算坡度和坡向...")
+    slope = xdem.terrain.slope(dem, method='ZevenbergThorne')
+    aspect = xdem.terrain.aspect(dem)
+
+    # ========== 3. 获取空间参考信息 ==========
+    transform = dem.transform
+    crs = dem.crs
+
+    # ========== 4. 转换为 numpy 数组 ==========
+    slope_data = slope.data
+    aspect_data = aspect.data
+
+    # ========== 5. 获取DEM中心点坐标并计算太阳角度 ==========
+    print("\n获取DEM坐标信息...")
+    latitude, longitude = get_dem_center_coords(dem)
+    print(f"  中心点纬度: {latitude:.6f}°")
+    print(f"  中心点经度: {longitude:.6f}°")
+    print(f"  坐标系: WGS84")
+
+    # 获取观测时间
+    if datetime_input:
+        observation_time = parse_datetime(datetime_input)
+        print(f"\n使用命令行提供的时间: {observation_time.strftime('%Y-%m-%d %H:%M:%S')} UTC")
+    elif interactive or not sys.stdin.isatty():
+        observation_time = get_user_input_datetime()
+    else:
+        # 默认时间（如果非交互式且未提供时间）
+        observation_time = datetime(2024, 6, 15, 10, 0, 0)
+        print(f"\n使用默认时间: {observation_time.strftime('%Y-%m-%d %H:%M:%S')} UTC")
+
+    # 计算太阳角度
+    print("\n计算太阳位置...")
+    solar_zn_deg, solar_az_deg = calc_solar_angles(latitude, longitude, observation_time)
+
+    print(f"  太阳天顶角: {solar_zn_deg:.2f}°")
+    print(f"  太阳高度角: {90 - solar_zn_deg:.2f}°")
+    print(f"  太阳方位角: {solar_az_deg:.2f}°")
+
+    # 转换为弧度
+    solar_zn_rad = np.deg2rad(solar_zn_deg)
+    solar_az_rad = np.deg2rad(solar_az_deg)
+
+    # 坡度和坡向也转换为弧度
+    slope_rad = np.deg2rad(slope_data)
+    aspect_rad = np.deg2rad(aspect_data)
+
+    # ========== 6. 计算 cosine_i ==========
+    print("\n计算入射角余弦 (cosine_i)...")
+    cosine_i = calc_cosine_i(solar_zn_rad, solar_az_rad, aspect_rad, slope_rad)
+
+    # ========== 7. 处理无效值（NaN） ==========
+    slope_data = np.nan_to_num(slope_data, nan=0.0)
+    aspect_data = np.nan_to_num(aspect_data, nan=0.0)
+    cosine_i = np.nan_to_num(cosine_i, nan=0.0)
+
+    # ========== 8. 堆叠为多波段数组 ==========
+    stacked = np.stack([slope_data, aspect_data, cosine_i], axis=0)
+
+    # ========== 9. 准备元数据 ==========
+    metadata = {
+        'description': 'Slope, Aspect, and Cosine_i derived from DEM',
+        'band_names': 'slope(deg),aspect(deg),cosine_i',
+        'solar_zenith_angle': str(solar_zn_deg),
+        'solar_azimuth_angle': str(solar_az_deg),
+        'solar_elevation_angle': str(90 - solar_zn_deg),
+        'observation_time_utc': observation_time.strftime('%Y-%m-%d %H:%M:%S'),
+        'dem_center_lat': str(latitude),
+        'dem_center_lon': str(longitude),
+    }
+
+    # ========== 10. 输出 ENVI 格式文件 ==========
+    print(f"\n保存结果到: {output_path}")
+    write_envi_output(output_path, stacked, transform, crs, metadata)
+
+    print("\n处理完成!")
+    print(f"  输出文件: {output_path}")
+    print(f"  波段顺序: 1-坡度(°), 2-坡向(°), 3-cosine_i")
+
+    return {
+        'output_path': output_path,
+        'solar_zenith': solar_zn_deg,
+        'solar_azimuth': solar_az_deg,
+        'center_lat': latitude,
+        'center_lon': longitude,
+        'observation_time': observation_time,
+    }
+
+
+def main():
+    """主函数 - 命令行入口"""
+    parser = argparse.ArgumentParser(
+        description='DEM地形处理工具 - 计算坡度、坡向和太阳入射角余弦',
+        formatter_class=argparse.RawDescriptionHelpFormatter,
+        epilog='''
+使用示例:
+  # 基本用法（交互式输入时间）
+  python slope_aspectV2.py -i dem.tif -o output.dat
+
+  # 通过命令行指定时间
+  python slope_aspectV2.py -i dem.tif -o output.dat -t "2024-06-15 10:30:00"
+
+  # 仅指定日期（默认使用正午12:00）
+  python slope_aspectV2.py -i dem.tif -o output.dat -t "2024-06-15"
+
+  # 显示详细处理信息
+  python slope_aspectV2.py -i dem.tif -o output.dat -t "2024-06-15 10:30:00" -v
+
+支持的日期时间格式:
+  - "YYYY-MM-DD HH:MM:SS" (推荐)
+  - "YYYY-MM-DDTHH:MM:SS" (ISO格式)
+  - "YYYYMMDD_HHMMSS"
+  - "YYYY-MM-DD" (默认使用12:00:00)
+        '''
+    )
+
+    parser.add_argument('-i', '--input', required=True,
+                        help='输入DEM文件路径 (支持GeoTIFF等格式)')
+
+    parser.add_argument('-o', '--output', required=True,
+                        help='输出ENVI文件路径 (.dat)')
+
+    parser.add_argument('-t', '--time',
+                        help='观测日期时间 (UTC)，格式: "YYYY-MM-DD HH:MM:SS"。'
+                             '如果不提供，将进入交互式输入模式')
+
+    parser.add_argument('--interactive', action='store_true',
+                        help='强制使用交互式时间输入模式')
+
+    parser.add_argument('-v', '--verbose', action='store_true',
+                        help='显示详细处理信息')
+
+    parser.add_argument('--version', action='version', version='%(prog)s 2.0.0')
+
+    args = parser.parse_args()
+
+    # 验证输入文件存在
+    if not Path(args.input).exists():
+        print(f"错误: 输入文件不存在: {args.input}", file=sys.stderr)
+        sys.exit(1)
+
+    # 创建输出目录（如果不存在）
+    output_dir = Path(args.output).parent
+    if not output_dir.exists():
+        output_dir.mkdir(parents=True, exist_ok=True)
+        print(f"创建输出目录: {output_dir}")
+
+    try:
+        # 执行处理
+        result = process_dem(
+            dem_path=args.input,
+            output_path=args.output,
+            datetime_input=args.time,
+            interactive=args.interactive
+        )
+
+        if args.verbose:
+            print("\n详细结果:")
+            for key, value in result.items():
+                print(f"  {key}: {value}")
+
+        sys.exit(0)
+
+    except Exception as e:
+        print(f"\n处理失败: {e}", file=sys.stderr)
+        if args.verbose:
+            import traceback
+            traceback.print_exc()
+        sys.exit(1)
+
+
+if __name__ == '__main__':
+    main()