增加坡度计算

.idea/vcs.xml

@@ -0,0 +1,6 @@
+<?xml version="1.0" encoding="UTF-8"?>
+<project version="4">
+  <component name="VcsDirectoryMappings">
+    <mapping directory="" vcs="Git" />
+  </component>
+</project>

Flexbrdf/Flex_brdf.py

@@ -16,265 +16,57 @@ from Flexbrdf.hytools.masks import mask_create
 warnings.filterwarnings("ignore")
 np.seterr(divide='ignore', invalid='ignore')
 
-# Default configuration values
-DEFAULT_CONFIG = {
-    'file_type': 'envi',
-    'num_cpus': 16,
-    'bad_bands': [],
-    'corrections': [],
-    'resample': False,
-    'resampler': {'type': 'cubic', 'out_waves': []},
-    'export': {
-        'coeffs':True,
-        'image': True,
-        'masks': False,
-        'subset_waves': [],
-        'output_dir': './output/',
-        'suffix': 'BRDF'
-    },
-    'brdf': {
-        'type': 'flex',
-        'grouped': True,
-        'geometric': 'li_dense_r',
-        'volume': 'ross_thick',
-        'b/r': 2.5,
-        'h/b': 2.0,
-        'sample_perc': 0.1,
-        'interp_kind': 'linear',
-        'calc_mask': [
-            ['water', {'band_1': 850, 'band_2': 660,"threshold": 290}],
-            ['kernel_finite', {}],
-            ['ancillary', {'name': 'sensor_zn', 'min': 0.03490658503988659, 'max': 'inf'}]
-        ],
-        'apply_mask': [
-            ['water', {'band_1': 850, 'band_2': 660,"threshold": 290}]
-        ],
-        'bin_type': 'dynamic',
-        'num_bins': 18,
-        'ndvi_bin_min': 0.05,
-        'ndvi_bin_max': 1.0,
-        'ndvi_perc_min': 10,
-        'ndvi_perc_max': 95,
-        'solar_zn_type': 'scene'
-    },
-    # 'topo': {
-    #     'type': 'scs+c',
-    #     'calc_mask': [
-    #         ['ndi', {'band_1': 850, 'band_2': 660, 'min': 0.05, 'max': 1.0}],
-    #         ['kernel_finite', {}],
-    #         ['ancillary', {'name': 'sensor_zn', 'min': 0.03490658503988659, 'max': 'inf'}]
-    #     ],
-    #     'apply_mask': [
-    #         ['ndi', {'band_1': 850, 'band_2': 660, 'min': 0.05, 'max': 1.0}]
-    #     ],
-    #     'sample_perc': 0.1,
-    #     'subgrouped': False,
-    #     'subgroup': {}
-    # },
-    # 'glint': {
-    #     'type': 'hochberg',
-    #     'correction_band': 560,
-    #     'deep_water_sample': {},
-    #     'calc_mask': [
-    #         ['ndi', {'band_1': 550, 'band_2': 2150, 'min': -1, 'max': 0}],
-    #         ['kernel_finite', {}]
-    #     ],
-    #     'apply_mask': [
-    #         ['ndi', {'band_1': 550, 'band_2': 2150, 'min': -1, 'max': 0}]
-    #     ]
-    # }
-}
-
-def build_config_from_args(args):
-    """从命令行参数构建配置字典"""
-    # 自动发现输入文件
-    input_files = []
-    if os.path.isdir(args.input_dir):
-        # 支持的文件扩展名
-        extensions = ['.tif', '.tiff', '.envi', '.img', '.dat']
-        for file in os.listdir(args.input_dir):
-            if any(file.lower().endswith(ext) for ext in extensions):
-                input_files.append(os.path.join(args.input_dir, file))
-    else:
-        input_files = [args.input_dir] if os.path.isfile(args.input_dir) else []
-
-    if not input_files:
-        raise ValueError(f"No input files found in {args.input_dir}")
-
-    # 自动生成anc_files
-    anc_files = {}
-    for input_file in input_files:
-        base_name = os.path.splitext(os.path.basename(input_file))[0]
-        # 根据文件名模式生成对应的angles文件路径
-        # 例如: 2025_9_2_3_53_45_202592_35252_0_rad_geo_corrected_reflectance.dat
-        # 对应的angles文件: 2025_9_2_3_53_45_202592_35252_0_rad_rgbxyz_geo_registered_angles.bip
-        parts = base_name.split('_')
-        if len(parts) >= 9:  # 确保有足够的parts
-            anc_base = f"{parts[0]}_{parts[1]}_{parts[2]}_{parts[3]}_{parts[4]}_{parts[5]}_{parts[6]}_{parts[7]}_{parts[8]}_rad_rgbxyz_geo_angles_registered"
-            # 确保路径分隔符统一使用反斜杠（Windows）
-            anc_dir_clean = args.anc_dir.replace('/', '\\')
-            anc_path = os.path.join(anc_dir_clean, anc_base + ".bip")
-            # 确保最终路径格式正确
-            anc_path = os.path.normpath(anc_path)
-
-            if os.path.exists(anc_path):
-                # 生成完整的anc_files字典结构
-                anc_files[input_file] = {
-                    "path_length": [anc_path, 0],
-                    "sensor_az": [anc_path, 9],
-                    "sensor_zn": [anc_path, 8],
-                    "solar_az": [anc_path, 7],
-                    "solar_zn": [anc_path, 6],
-                    "phase": [anc_path, 0],
-                    "slope": [anc_path, 0],
-                    "aspect": [anc_path, 0],
-                    "cosine_i": [anc_path, 0],
-                    "utc_time": [anc_path, 0]
-                }
-            else:
-                # 如果找不到对应的angles文件，使用默认的obs文件
-                obs_path = os.path.join(args.anc_dir, base_name + "_obs")
-                if os.path.exists(obs_path):
-                    anc_files[input_file] = obs_path
-
-    # 构建配置字典
-    config_dict = DEFAULT_CONFIG.copy()
-    config_dict.update({
-        'input_files': input_files,
-        'anc_files': anc_files,
-        'file_type': 'envi',  # 假设都是ENVI格式
-        'num_cpus': args.num_cpus,
-        'bad_bands': args.bad_bands if args.bad_bands else [],
-        'corrections': args.corrections if args.corrections else [],
-        'export': {
-            'coeffs': args.export_coeffs,
-            'image': args.export_image,
-            'masks': args.export_masks,
-            'subset_waves': args.subset_waves if args.subset_waves else [],
-            'output_dir': args.output_dir,
-            'suffix': args.suffix
-        }
-    })
-
-    # 根据命令行参数更新BRDF配置
-    if 'brdf' in args.corrections:
-        brdf_config = config_dict['brdf'].copy()
-        if hasattr(args, 'brdf_type') and args.brdf_type:
-            brdf_config['type'] = args.brdf_type
-        if hasattr(args, 'grouped') and args.grouped is not None:
-            brdf_config['grouped'] = args.grouped
-        if hasattr(args, 'geometric') and args.geometric:
-            brdf_config['geometric'] = args.geometric
-        if hasattr(args, 'volume') and args.volume:
-            brdf_config['volume'] = args.volume
-        if hasattr(args, 'num_bins') and args.num_bins:
-            brdf_config['num_bins'] = args.num_bins
-        config_dict['brdf'] = brdf_config
-
-    # 根据命令行参数更新TOPO配置
-    if 'topo' in args.corrections:
-        topo_config = config_dict['topo'].copy()
-        if hasattr(args, 'topo_type') and args.topo_type:
-            topo_config['type'] = args.topo_type
-        config_dict['topo'] = topo_config
-
-    # 根据命令行参数更新Glint配置
-    if 'glint' in args.corrections:
-        glint_config = config_dict['glint'].copy()
-        if hasattr(args, 'glint_type') and args.glint_type:
-            glint_config['type'] = args.glint_type
-        config_dict['glint'] = glint_config
-
-    return config_dict
 
 def main():
-    parser = argparse.ArgumentParser(description="High-resolution image correction with automatic configuration")
+    parser = argparse.ArgumentParser(description="FlexBRDF - 只接受JSON配置文件输入")
+    parser.add_argument('config', help='JSON配置文件路径 (例如: config.json)')
     
-    # 必需参数
-    parser.add_argument('input_dir', help='Input directory containing image files or single image file path')
-    parser.add_argument('anc_dir', help='Ancillary directory containing angle/obs files')
-    parser.add_argument('--output-dir', required=True, help='Output directory for corrected images')
+    args = parser.parse_args()
     
-    # 可选参数 - 基本设置
-    parser.add_argument('--num-cpus', type=int, default=16, help='Number of CPUs to use (default: 4)')
-    parser.add_argument('--bad-bands', nargs='*', type=int, default=[], help='Bad band indices to exclude')
+    # 检查配置文件是否存在
+    if not os.path.exists(args.config):
+        print(f"错误: 配置文件不存在: {args.config}")
+        sys.exit(1)
     
-    # 校正类型
-    parser.add_argument('--corrections', nargs='*', choices=['topo', 'brdf', 'glint'],
-                       default=['brdf'], help='Correction types to apply (default: brdf)')
+    # 检查是否为JSON文件
+    if not args.config.endswith('.json'):
+        print("错误: 只接受JSON格式的配置文件")
+        sys.exit(1)
     
-    # BRDF参数
-    parser.add_argument('--brdf-type', choices=['universal', 'flex'], default='flex',
-                       help='BRDF correction type (default: flex)')
-    parser.add_argument('--grouped', action='store_true', default=True,
-                       help='Group images for BRDF correction (default: True)')
-    parser.add_argument('--no-grouped', action='store_false', dest='grouped',
-                       help='Do not group images for BRDF correction')
-    parser.add_argument('--geometric', default='li_dense_r',
-                       choices=['li_sparse', 'li_dense', 'li_dense_r', 'roujean'],
-                       help='Geometric kernel type (default: li_dense_r)')
-    parser.add_argument('--volume', default='ross_thick',
-                       choices=['ross_thin', 'ross_thick', 'hotspot', 'roujean'],
-                       help='Volume kernel type (default: ross_thick)')
-    parser.add_argument('--num-bins', type=int, default=18,
-                       help='Number of NDVI bins for FlexBRDF (default: 18)')
+    # 加载JSON配置
+    try:
+        with open(args.config, 'r', encoding='utf-8') as f:
+            config_dict = json.load(f)
+    except json.JSONDecodeError as e:
+        print(f"错误: JSON配置文件格式错误: {e}")
+        sys.exit(1)
+    except Exception as e:
+        print(f"错误: 无法读取配置文件: {e}")
+        sys.exit(1)
 
-    # TOPO参数
-    parser.add_argument('--topo-type', default='scs+c',
-                       choices=['scs', 'scs+c', 'c', 'cosine', 'mod_minneart'],
-                       help='TOPO correction type (default: scs+c)')
+    # 验证必需的配置字段
+    required_fields = ['input_files', 'anc_files', 'corrections', 'export']
+    missing_fields = [f for f in required_fields if f not in config_dict]
+    if missing_fields:
+        print(f"错误: 配置文件缺少必需字段: {', '.join(missing_fields)}")
+        print("必需字段包括: input_files, anc_files, corrections, export")
+        sys.exit(1)
 
-    # Glint参数
-    parser.add_argument('--glint-type', default='hochberg',
-                       choices=['hochberg', 'gao', 'hedley'],
-                       help='Glint correction type (default: hochberg)')
-
-    # 输出选项
-    parser.add_argument('--export-coeffs', action='store_true', default=True,
-                       help='Export correction coefficients')
-    parser.add_argument('--export-image', action='store_true', default=True,
-                       help='Export corrected images (default: True)')
-    parser.add_argument('--export-masks', action='store_true', default=True,
-                       help='Export correction masks (default: True)')
-    parser.add_argument('--subset-waves', nargs='*', type=float, default=[],
-                       help='Subset of wavelengths to export (empty for all)')
-    parser.add_argument('--suffix', default='corrected',
-                       help='Suffix for output files (default: corrected)')
-    parser.add_argument('--output-config', type=str, default=None,
-                       help='Output current configuration to JSON file')
-
-    # 向后兼容：如果只有一个参数且是JSON文件，则使用传统模式
-    if len(sys.argv) == 2 and sys.argv[1].endswith('.json'):
-        config_file = sys.argv[1]
-        with open(config_file, 'r') as outfile:
-            config_dict = json.load(outfile)
-    else:
-        args = parser.parse_args()
-        config_dict = build_config_from_args(args)
-
-    # 如果指定了输出配置选项，则输出配置到JSON文件
-    if hasattr(args, 'output_config') and args.output_config:
-        print(f"Outputting configuration to {args.output_config}...")
-        # 重新排序配置字典以匹配期望的格式
-        ordered_config = {
-            "bad_bands": config_dict.get("bad_bands", []),
-            "file_type": config_dict.get("file_type", "envi"),
-            "input_files": config_dict.get("input_files", []),
-            "anc_files": config_dict.get("anc_files", {}),
-            "num_cpus": config_dict.get("num_cpus", 4),
-            "export": config_dict.get("export", {}),
-            "corrections": config_dict.get("corrections", []),
-            "brdf": config_dict.get("brdf", {}),
-            "topo": config_dict.get("topo", {}),
-            "glint": config_dict.get("glint", {}),
-            "resample": config_dict.get("resample", False),
-            "resampler": config_dict.get("resampler", {"type": "cubic", "out_waves": []})
-        }
-        with open(args.output_config, 'w', encoding='utf-8') as f:
-            json.dump(ordered_config, f, indent=2, ensure_ascii=False)
-        print("Configuration output complete.")
-        return  # 如果只是输出配置，则退出程序
+    # 设置默认值
+    config_dict.setdefault('file_type', 'envi')
+    config_dict.setdefault('num_cpus', 16)
+    config_dict.setdefault('bad_bands', [])
+    config_dict.setdefault('resample', False)
+    config_dict.setdefault('resampler', {'type': 'cubic', 'out_waves': []})
 
+    print(f"=" * 60)
+    print(f"FlexBRDF 图像校正工具")
+    print(f"=" * 60)
+    print(f"配置文件: {args.config}")
+    print(f"输入文件数量: {len(config_dict['input_files'])}")
+    print(f"校正类型: {', '.join(config_dict['corrections'])}")
+    print(f"输出目录: {config_dict['export']['output_dir']}")
+    print(f"=" * 60)
     print("Starting image correction process...")
     total_start = time.time()
 

Flexbrdf/examples/configs/1.json

@@ -0,0 +1,167 @@
+{
+   "input_files": [
+      "D:/BaiduNetdiskDownload/20250902/_3_52_52/rad2geo/R/2025_9_2_3_53_45_202592_35252_0_rad_geo_corrected_reflectance.dat",
+      "D:/BaiduNetdiskDownload/20250902/_3_52_52/rad2geo/R/2025_9_2_3_53_45_202592_35252_1_rad_geo_corrected_reflectance.dat"
+   ],
+   "file_type": "envi",
+   "bad_bands": [],
+   "num_cpus": 2,
+   "anc_files": {
+      "D:/BaiduNetdiskDownload/20250902/_3_52_52/rad2geo/R/2025_9_2_3_53_45_202592_35252_0_rad_geo_corrected_reflectance.dat": {
+         "path_length": [
+            "D:/BaiduNetdiskDownload/20250902/_3_52_52/BRDF/angle/test/2025_9_2_3_53_45_202592_35252_0_rad_rgbxyz_geo.bip_with_angles.bip",
+            0
+         ],
+         "sensor_az": [
+            "D:/BaiduNetdiskDownload/20250902/_3_52_52/BRDF/angle/test/2025_9_2_3_53_45_202592_35252_0_rad_rgbxyz_geo.bip_with_angles.bip",
+            9
+         ],
+         "sensor_zn": [
+            "D:/BaiduNetdiskDownload/20250902/_3_52_52/BRDF/angle/test/2025_9_2_3_53_45_202592_35252_0_rad_rgbxyz_geo.bip_with_angles.bip",
+            8
+         ],
+         "solar_az": [
+            "D:/BaiduNetdiskDownload/20250902/_3_52_52/BRDF/angle/test/2025_9_2_3_53_45_202592_35252_0_rad_rgbxyz_geo.bip_with_angles.bip",
+            7
+         ],
+         "solar_zn": [
+            "D:/BaiduNetdiskDownload/20250902/_3_52_52/BRDF/angle/test/2025_9_2_3_53_45_202592_35252_0_rad_rgbxyz_geo.bip_with_angles.bip",
+            6
+         ],
+         "phase": [
+            "D:/BaiduNetdiskDownload/20250902/_3_52_52/BRDF/angle/test/2025_9_2_3_53_45_202592_35252_0_rad_rgbxyz_geo.bip_with_angles.bip",
+            0
+         ],
+         "slope": [
+            "D:/BaiduNetdiskDownload/20250902/_3_52_52/BRDF/angle/test/2025_9_2_3_53_45_202592_35252_0_rad_rgbxyz_geo.bip_with_angles.bip",
+            0
+         ],
+         "aspect": [
+            "D:/BaiduNetdiskDownload/20250902/_3_52_52/BRDF/angle/test/2025_9_2_3_53_45_202592_35252_0_rad_rgbxyz_geo.bip_with_angles.bip",
+            0
+         ],
+         "cosine_i": [
+            "D:/BaiduNetdiskDownload/20250902/_3_52_52/BRDF/angle/test/2025_9_2_3_53_45_202592_35252_0_rad_rgbxyz_geo.bip_with_angles.bip",
+            0
+         ],
+         "utc_time": [
+            "D:/BaiduNetdiskDownload/20250902/_3_52_52/BRDF/angle/test/2025_9_2_3_53_45_202592_35252_0_rad_rgbxyz_geo.bip_with_angles.bip",
+            0
+         ]
+      },
+      "D:/BaiduNetdiskDownload/20250902/_3_52_52/rad2geo/R/2025_9_2_3_53_45_202592_35252_1_rad_geo_corrected_reflectance.dat": {
+         "path_length": [
+            "D:/BaiduNetdiskDownload/20250902/_3_52_52/BRDF/angle/test/2025_9_2_3_53_45_202592_35252_1_rad_rgbxyz_geo.bip_angles.bip",
+            0
+         ],
+         "sensor_az": [
+            "D:/BaiduNetdiskDownload/20250902/_3_52_52/BRDF/angle/test/2025_9_2_3_53_45_202592_35252_1_rad_rgbxyz_geo.bip_angles.bip",
+            9
+         ],
+         "sensor_zn": [
+            "D:/BaiduNetdiskDownload/20250902/_3_52_52/BRDF/angle/test/2025_9_2_3_53_45_202592_35252_1_rad_rgbxyz_geo.bip_angles.bip",
+            8
+         ],
+         "solar_az": [
+            "D:/BaiduNetdiskDownload/20250902/_3_52_52/BRDF/angle/test/2025_9_2_3_53_45_202592_35252_1_rad_rgbxyz_geo.bip_angles.bip",
+            7
+         ],
+         "solar_zn": [
+            "D:/BaiduNetdiskDownload/20250902/_3_52_52/BRDF/angle/test/2025_9_2_3_53_45_202592_35252_1_rad_rgbxyz_geo.bip_angles.bip",
+            6
+         ],
+         "phase": [
+            "D:/BaiduNetdiskDownload/20250902/_3_52_52/BRDF/angle/test/2025_9_2_3_53_45_202592_35252_1_rad_rgbxyz_geo.bip_angles.bip",
+            0
+         ],
+         "slope": [
+            "D:/BaiduNetdiskDownload/20250902/_3_52_52/BRDF/angle/test/2025_9_2_3_53_45_202592_35252_1_rad_rgbxyz_geo.bip_angles.bip",
+            0
+         ],
+         "aspect": [
+            "D:/BaiduNetdiskDownload/20250902/_3_52_52/BRDF/angle/test/2025_9_2_3_53_45_202592_35252_1_rad_rgbxyz_geo.bip_angles.bip",
+            0
+         ],
+         "cosine_i": [
+            "D:/BaiduNetdiskDownload/20250902/_3_52_52/BRDF/angle/test/2025_9_2_3_53_45_202592_35252_1_rad_rgbxyz_geo.bip_angles.bip",
+            0
+         ],
+         "utc_time": [
+            "D:/BaiduNetdiskDownload/20250902/_3_52_52/BRDF/angle/test/2025_9_2_3_53_45_202592_35252_1_rad_rgbxyz_geo.bip_angles.bip",
+            0
+         ]
+      }
+   },
+   "corrections": [
+      "brdf"
+   ],
+   "topo": {
+      "type": "scs+c",
+      "calc_mask": [],
+      "apply_mask": [],
+      "c_fit_type": "nnls"
+   },
+   "brdf": {
+      "type": "flex",
+      "grouped": true,
+      "geometric": "li_dense_r",
+      "volume": "ross_thick",
+      "b/r": 2.5,
+      "h/b": 2.0,
+      "sample_perc": 0.1,
+      "interp_kind": "linear",
+      "calc_mask": [
+         [
+            "water",
+            {
+               "band_1": 850,
+               "band_2": 660,
+               "threshold": 290.0
+            }
+         ],
+         [
+            "kernel_finite",
+            {}
+         ],
+         [
+            "ancillary",
+            {
+               "name": "sensor_zn",
+               "min": 0.034907,
+               "max": 1000000.0
+            }
+         ]
+      ],
+      "apply_mask": [
+         [
+            "water",
+            {
+               "band_1": 850,
+               "band_2": 660,
+               "threshold": 290.0
+            }
+         ]
+      ],
+      "bin_type": "dynamic",
+      "num_bins": 18,
+      "ndvi_bin_min": 0.05,
+      "ndvi_bin_max": 1.0,
+      "ndvi_perc_min": 10,
+      "ndvi_perc_max": 95,
+      "solar_zn_type": "scene"
+   },
+   "glint": {
+      "type": "hochberg",
+      "correction_wave": 2150,
+      "apply_mask": []
+   },
+   "export": {
+      "coeffs": true,
+      "image": true,
+      "masks": true,
+      "subset_waves": [],
+      "output_dir": "E:/code/hytools-master/hytools-master/data/output",
+      "suffix": "brdf_glint"
+   },
+   "resample": false
+}

Flexbrdf/hytools/topo/原理.md

@@ -0,0 +1,186 @@
+基于 Flexbrdf/hytools/topo 目录下的代码，我来详细解释地形校正的原理。
+
+地形校正原理详解
+地形校正（Topographic Correction）的目的是消除地形起伏（坡度、坡向）对高光谱图像反射率的影响。由于太阳光入射角度在不同坡度和坡向上的变化，同一地物在不同地形位置会呈现不同的辐射亮度，地形校正就是要将这种差异归一化到水平地表的条件。
+
+一、核心概念：入射角余弦（cosine i）
+地形校正的核心是计算入射角余弦（cosine of incidence angle），即太阳光线与地表法线之间夹角的余弦值。
+
+计算公式（在 topo.py:53）：
+
+cosine_i = np.cos(solar_zn)*np.cos(slope) + np.sin(solar_zn)*np.sin(slope)*np.cos(relative_az)
+其中：
+
+solar_zn：太阳天顶角（太阳光线与垂直方向的夹角）
+solar_az：太阳方位角
+slope：地面坡度
+aspect：地面坡向
+relative_az = aspect - solar_az：相对方位角
+物理意义：
+
+当 cosine_i = 1 时，太阳光垂直照射地面（正午水平地表）
+当 cosine_i < 1 时，太阳光斜射，照度降低
+背阴坡 cosine_i 较小，向阳坡 cosine_i 较大
+二、支持的5种地形校正方法
+1. Cosine 校正（余弦校正）
+原理：最简单的地形校正方法，假设地表为朗伯体（各向同性反射）。
+
+校正公式（cosine.py:50）：
+
+c_factor = cos_solar_zn / cos_i
+cos_solar_zn：水平地表的太阳天顶角余弦
+cos_i：实际地表的入射角余弦
+校正效果：
+
+corrected_reflectance = original_reflectance × (cos_solar_zn / cos_i)
+特点：
+
+简单快速
+假设地表是理想朗伯体，对非朗伯体（如植被）校正过度
+2. SCS 校正（Sun-Canopy-Sensor）
+原理：考虑森林冠层对地形影响的简化模型，基于 "cosine i" 但增加坡度因子。
+
+校正公式（scs.py:51）：
+
+c_factor = (cos_slope × cos_solar_zn) / cos_i
+与 Cosine 方法的区别：
+
+增加了 cos_slope 项（坡度余弦）
+考虑了坡度对观测路径的影响
+适用场景：森林覆盖区域
+
+3. C 校正（C-Correction）
+原理：在 Cosine 校正基础上增加一个经验系数 C，用于调整非朗伯体效应。
+
+校正公式（c.py:177）：
+
+correction_factor = (cos_sz + C) / (cosine_i + C)
+其中 C 系数的计算过程（c.py:42-76）：
+
+对每个波段，建立反射率与 cosine_i 的线性关系：
+
+ρ = slope × cos_i + intercept
+通过最小二乘拟合（OLS）或非负最小二乘（NNLS）求解
+
+计算 C 系数（Soenen et al. 2005, Eq. 8）：
+
+C = intercept / slope
+物理意义：C 值越大，表示地表越接近朗伯体，校正强度越接近 Cosine 方法；C 值越小，校正越保守。
+
+拟合方法选择（c_fit_type）：
+
+ols：普通最小二乘（Ordinary Least Squares）
+nnls：非负最小二乘（Non-Negative Least Squares）
+wls：加权最小二乘（Weighted Least Squares）
+4. SCS+C 校正（推荐用于森林）
+原理：结合 SCS 和 C 校正的优势，是目前森林地形校正的主流方法（Soenen et al. 2005, IEEE TGRS）。
+
+计算步骤（scsc.py）：
+
+计算 c1 因子：
+
+c1 = cos(solar_zn) × cos(slope)
+计算 C 系数（与 C 校正相同，通过线性回归）
+
+综合校正因子（scsc.py:115-125）：
+
+correction_factor = (c1 + C × cos_slope) / (cos_i + C)
+为什么有效：
+
+SCS 部分处理冠层-地形几何关系
+C 部分调整非朗伯体效应
+相比单独使用 SCS 或 C 校正，能更好地保持植被反射率的一致性
+5. Modified Minnaert 校正（改进的 Minnaert）
+原理：基于 Minnaert 指数的半经验方法，区分植被和非植被区域进行不同强度的校正（Richter et al. 2009）。
+
+算法流程（modminn.py:46-83）：
+
+计算调整后的太阳天顶角：
+
+if solar_zn < 45°:    solar_zn_t = solar_zn + 20°
+if 45° ≤ solar_zn ≤ 55°: solar_zn_t = solar_zn + 15°
+if solar_zn > 55°:     solar_zn_t = solar_zn + 10°
+NDVI 掩膜分类：
+
+植被区（NDVI > 0.2）
+非植被区（NDVI ≤ 0.2）
+计算基础校正因子：
+
+factor = cos_i / cos(solar_zn_t)
+分区应用不同指数：
+
+区域	短波（<720nm）	长波（≥720nm）
+非植被
+factor^(1/2)
+factor^(1/2)
+植被
+factor^(3/4)
+factor^(1/3)
+限幅处理：
+
+factor = np.clip(factor, 0.25, 1.0)
+阈值控制：当入射角小于调整后的太阳天顶角时不进行校正
+
+特点：
+
+自适应不同地物类型
+区分短波和长波有不同的散射特性
+通过指数控制校正强度，避免过度校正
+三、地形校正的工作流程
+从 topo.py:104-154 可以看出地形校正的完整流程：
+
+1. 设置地形参数（set_topo）
+         ↓
+2. 生成计算掩膜（calc_mask）
+         ↓
+3. 计算校正系数（calc_*_coeffs）
+   - 遍历每个波段（跳过坏波段）
+   - 根据选定的算法类型计算校正因子
+         ↓
+4. 应用校正（apply_*）
+   - 支持多种数据切分方式：line/column/band/chunk/pixels
+四、关键配置参数
+参数	类型	说明	适用算法
+type
+str
+校正算法类型
+所有
+calc_mask
+list
+计算校正系数的掩膜条件
+所有
+apply_mask
+list
+应用校正的掩膜条件
+所有
+c_fit_type
+str
+C系数拟合方法：ols/nnls/wls
+c, scs+c
+sample_perc
+float
+采样比例（用于分组计算）
+分组计算时
+五、算法选择建议
+场景	推荐算法	理由
+裸土/岩石
+Cosine 或 C
+地表接近朗伯体
+森林植被
+SCS+C
+考虑冠层几何，校正效果最好
+草地/灌木
+SCS
+简单有效
+混合地物
+Modified Minnaert
+自适应不同地物
+需要精确结果
+C 或 SCS+C + 分组计算
+按NDVI分组计算C系数
+六、参考文献
+SCS+C 方法：Soenen, S. A., Peddle, D. R., & Coburn, C. A. (2005). SCS+C: A Modified Sun-Canopy-Sensor Topographic Correction in Forested Terrain. IEEE TGRS, 43(9), 2148-2159.
+
+方法比较：Richter, R., Kellenberger, T., & Kaufmann, H. (2009). Comparison of topographic correction methods. Remote Sensing, 1(3), 184-196.
+
+C 校正：Teillet, P. M., Guindon, B., & Goodenough, D. G. (1982). On the slope-aspect correction of multispectral scanner data. Canadian Journal of Remote Sensing, 8(2), 84-106.

GUI/temp_flexbrdf_config.json

@@ -0,0 +1,133 @@
+{
+  "input_files": [
+    "E:/is2/yaopu/output/before.dat"
+  ],
+  "file_type": "envi",
+  "bad_bands": [],
+  "num_cpus": 10,
+  "anc_files": {
+    "E:/is2/yaopu/output/before.dat": {
+      "path_length": [
+        "E:/is2/yaopu/output/angel.dat",
+        0
+      ],
+      "sensor_az": [
+        "E:/is2/yaopu/output/angel.dat",
+        9
+      ],
+      "sensor_zn": [
+        "E:/is2/yaopu/output/angel.dat",
+        8
+      ],
+      "solar_az": [
+        "E:/is2/yaopu/output/angel.dat",
+        7
+      ],
+      "solar_zn": [
+        "E:/is2/yaopu/output/angel.dat",
+        6
+      ],
+      "phase": [
+        "E:/is2/yaopu/output/angel.dat",
+        0
+      ],
+      "slope": [
+        "E:/is2/yaopu/output/angel.dat",
+        0
+      ],
+      "aspect": [
+        "E:/is2/yaopu/output/angel.dat",
+        0
+      ],
+      "cosine_i": [
+        "E:/is2/yaopu/output/angel.dat",
+        0
+      ],
+      "utc_time": [
+        "E:/is2/yaopu/output/angel.dat",
+        0
+      ]
+    }
+  },
+  "corrections": [
+    "brdf"
+  ],
+  "topo": {
+    "type": "mod_minneart",
+    "calc_mask": [],
+    "apply_mask": [],
+    "c_fit_type": "nnls"
+  },
+  "brdf": {
+    "type": "flex",
+    "grouped": true,
+    "geometric": "li_dense_r",
+    "volume": "ross_thick",
+    "b/r": 2.5,
+    "h/b": 2.0,
+    "sample_perc": 0.1,
+    "interp_kind": "linear",
+    "calc_mask": [
+      [
+        "water",
+        {
+          "band_1": 850,
+          "band_2": 660,
+          "threshold": 290.0
+        }
+      ],
+      [
+        "kernel_finite",
+        {}
+      ],
+      [
+        "ancillary",
+        {
+          "name": "sensor_zn",
+          "min": 0.0349,
+          "max": 1000000.0
+        }
+      ],
+      [
+        "ndi",
+        {
+          "band_1": 550,
+          "band_2": 2150,
+          "min": -1.0,
+          "max": 0.0
+        }
+      ]
+    ],
+    "apply_mask": [
+      [
+        "water",
+        {
+          "band_1": 850,
+          "band_2": 660,
+          "threshold": 290.0
+        }
+      ]
+    ],
+    "bin_type": "dynamic",
+    "num_bins": 18,
+    "ndvi_bin_min": 0.05,
+    "ndvi_bin_max": 1.0,
+    "ndvi_perc_min": 10,
+    "ndvi_perc_max": 95,
+    "solar_zn_type": "scene"
+  },
+  "glint": {
+    "type": "hochberg",
+    "correction_wave": 2150,
+    "apply_mask": []
+  },
+  "export": {
+    "coeffs": false,
+    "image": true,
+    "masks": true,
+    "subset_waves": [],
+    "output_dir": "E:/is2/yaopu/Flex",
+    "suffix": "topo_brdf_glint"
+  },
+  "resample": false
+}

GUI/软件使用说明.md

@@ -0,0 +1,451 @@
+# BRDF校正工具 - 使用说明文档
+
+## 一、软件概述
+
+BRDF校正工具是一款用于高光谱图像双向反射分布函数（BRDF）校正的统一GUI应用程序，支持两种场景：
+
+1. **陆地植被BRDF校正**（FlexBRDF算法）
+   - 适用于陆地植被和地表的BRDF、地形和镜面反射校正
+   - 支持AVIRIS、AVIRIS-NG等机载高光谱数据
+
+2. **水体BRDF校正**（Ocean BRDF Correction）
+   - 专用于水体和海洋的BRDF校正
+   - 支持多种BRDF模型和不确定性估算
+
+---
+
+## 二、快速开始
+
+### 2.1 启动软件
+
+```bash
+python brdf_gui.py
+```
+
+启动后将显示主界面，选择需要使用的模块：
+- 点击"进入陆地模块"打开陆地植被BRDF校正
+- 点击"进入水体模块"打开水体BRDF校正
+
+---
+
+## 三、陆地植被BRDF校正模块（FlexBRDF）
+
+### 3.1 界面布局
+
+模块界面分为左右两部分：
+- **左侧**：配置选项卡（文件与波段映射、校正参数、输出设置）
+- **右侧**：执行日志和进度显示
+
+### 3.2 文件与波段映射页
+
+#### 3.2.1 文件夹设置
+
+| 参数 | 说明 | 默认值 |
+|------|------|--------|
+| 输入文件夹 | 反射率文件所在目录（ENVI格式） | 空 |
+| 辅助文件夹 | 观测几何数据目录 | 空 |
+| CPU核心数 | 并行处理使用的CPU核心数 | 1 |
+
+**操作步骤**：
+1. 点击"浏览..."按钮选择输入文件夹和辅助文件夹
+2. 点击"自动匹配文件"按钮，软件会自动匹配反射率文件（`_rfl`后缀）和观测几何文件（`_obs`后缀）
+3. 匹配成功的文件对将显示在列表中
+
+#### 3.2.2 文件匹配规则
+
+- 反射率文件命名格式：`{prefix}_rfl{ext}`
+- 观测几何文件命名格式：`{prefix}_obs{ext}`
+- 软件根据`{prefix}`部分自动匹配对应文件对
+
+#### 3.2.3 手动添加文件对
+
+如需手动指定文件对：
+1. 在"手动添加文件对"区域，分别选择反射率文件和观测几何文件
+2. 点击"添加文件对"按钮
+
+#### 3.2.4 波段映射设置
+
+每个输入文件需要映射以下观测几何参数到辅助文件的波段：
+
+| 参数名称 | 说明 | 默认波段 |
+|----------|------|----------|
+| path_length | 路径长度 | 0 |
+| sensor_zn | 传感器天顶角 | 1 |
+| sensor_az | 传感器方位角 | 2 |
+| solar_zn | 太阳天顶角 | 3 |
+| solar_az | 太阳方位角 | 4 |
+| phase | 相位角 | 5 |
+| slope | 坡度 | 6 |
+| aspect | 坡向 | 7 |
+| cosine_i | 入射角余弦 | 8 |
+
+**设置方法**：
+1. 在文件列表中选择一个文件
+2. 在右侧波段映射表格中设置各参数对应的波段索引（从0开始）
+3. 点击"应用当前映射"保存设置
+
+### 3.3 校正参数页
+
+#### 3.3.1 选择校正类型
+
+勾选需要执行的校正类型（可单选或多选）：
+
+| 校正类型 | 说明 |
+|----------|------|
+| Topo (地形校正) | 消除地形起伏对反射率的影响 |
+| BRDF (双向反射分布函数) | 校正各向异性反射效应 |
+| Glint (耀斑校正) | 消除水体或湿润表面的镜面反射 |
+
+#### 3.3.2 地形校正参数（Topo Correction）
+
+| 参数 | 选项 | 默认值 | 说明 |
+|------|------|--------|------|
+| 类型 (type) | mod_minneart, scs+c, cosine, c, scs | mod_minneart | 地形校正算法类型 |
+| 拟合类型 (c_fit_type) | nnls, ols, wls | nnls | 系数拟合方法 |
+
+**掩膜条件设置**：
+- **计算掩膜 (calc_mask)**：定义参与计算校正因子的像素条件
+- **应用掩膜 (apply_mask)**：定义应用校正的像素条件
+
+掩膜条件类型详见[第5章 掩膜条件说明](#五掩膜条件说明)。
+
+#### 3.3.3 BRDF校正参数（BRDF Correction）
+
+| 参数 | 选项/范围 | 默认值 | 说明 |
+|------|-----------|--------|------|
+| 算法类型 (type) | flex, universal | flex | BRDF算法类型 |
+| 启用分组 (grouped) | 勾选/取消 | 勾选 | 是否按NDVI分组计算 |
+| 几何核 (geometric) | li_sparse, li_dense, li_sparse_r, li_dense_r, roujean | li_sparse | 几何光学核函数 |
+| 体积核 (volume) | ross_thin, ross_thick, hotspot, roujean | ross_thick | 体积散射核函数 |
+| b/r 比率 | 0.1 - 10.0 | 2.5 | 树冠宽度/高度比 |
+| h/b 比率 | 0.1 - 5.0 | 2.0 | 树高/树冠宽度比 |
+| 采样比例 (sample_perc) | 0.01 - 1.0 | 0.1 | 用于拟合的采样比例 |
+| 插值方法 (interp_kind) | linear, nearest, cubic | linear | 插值方法 |
+| 分箱类型 (bin_type) | dynamic, fixed | dynamic | NDVI分箱类型 |
+| 分箱数量 (num_bins) | 1 - 100 | 18 | NDVI分箱数量 |
+| NDVI最小值 (ndvi_bin_min) | 0.0 - 1.0 | 0.05 | 分箱NDVI下限 |
+| NDVI最大值 (ndvi_bin_max) | 0.0 - 1.0 | 1.0 | 分箱NDVI上限 |
+| NDVI百分比最小值 (ndvi_perc_min) | 0 - 100 | 10 | 有效样本百分比下限 |
+| NDVI百分比最大值 (ndvi_perc_max) | 0 - 100 | 95 | 有效样本百分比上限 |
+| 太阳天顶角类型 (solar_zn_type) | scene, fixed, mean, custom | scene | 太阳天顶角计算方法 |
+
+**核函数组合推荐**：
+- 植被覆盖区：`li_sparse` + `ross_thick`
+- 稀疏植被区：`roujean` + `roujean`
+- 浓密植被区：`li_dense` + `ross_thick`
+
+#### 3.3.4 耀斑校正参数（Glint Correction）
+
+| 参数 | 选项 | 默认值 | 说明 |
+|------|------|--------|------|
+| 类型 (type) | mod_minneart, scs+c, cosine, c, scs, nir, mask | nir | 耀斑校正方法 |
+| 拟合类型 (c_fit_type) | nnls, ols, wls | nnls | 系数拟合方法 |
+
+**掩膜条件设置**：
+- **计算掩膜 (calc_mask)**：定义参与计算耀斑因子的像素
+- **应用掩膜 (apply_mask)**：定义应用耀斑校正的像素
+
+### 3.4 输出设置页
+
+| 参数 | 说明 | 默认值 |
+|------|------|--------|
+| 输出目录 | 校正结果保存路径 | 空 |
+| 后缀 (Suffix) | 输出文件名后缀 | topo_brdf_glint |
+| 输出系数 (coeffs) | 输出校正系数文件 | 不勾选 |
+| 输出图像 (image) | 输出校正后图像 | 勾选 |
+| 输出掩膜 (masks) | 输出使用的掩膜 | 不勾选 |
+
+**输出文件名格式**：
+```
+{原文件名}_{后缀}.dat
+```
+
+### 3.5 操作按钮
+
+| 按钮 | 功能 |
+|------|------|
+| 加载 JSON 配置 | 从JSON文件加载之前保存的配置 |
+| 保存 JSON 配置 | 将当前配置保存为JSON文件 |
+| 生成配置并运行 | 生成配置并启动BRDF校正处理 |
+
+---
+
+## 四、水体BRDF校正模块（Ocean BRDF）
+
+### 4.1 输入文件设置
+
+| 参数 | 文件格式 | 说明 |
+|------|----------|------|
+| 高光谱文件 | ENVI (.dat, .bsq, .bip, .bil, .hdr) | 高光谱遥感影像 |
+| 角度文件 | ENVI (.dat, .bsq, .bip, .bil, .hdr) | 观测几何角度数据 |
+| 水体掩膜 | GeoTIFF (.tif, .tiff) | 水体区域掩膜 |
+
+### 4.2 BRDF模型参数
+
+| 参数 | 选项 | 默认值 | 说明 |
+|------|------|--------|------|
+| BRDF模型 | L11, M02, M02SeaDAS, O25 | L11 | BRDF校正模型 |
+| 处理块大小 | 1024 - 16384 | 4096 | 光谱维分块大小 |
+| 空间块大小 | 256 - 2048 | 512 | 空间维分块大小 |
+| 计算不确定性 | 勾选/取消 | 取消 | 是否计算BRDF不确定度 |
+
+**BRDF模型说明**：
+- **L11**：Lee et al. (2011) 模型，适用于开阔大洋
+- **M02**：Morel et al. (2002) 模型，经典水体BRDF模型
+- **M02SeaDAS**：SeaDAS实现的M02模型
+- **O25**：最新优化模型
+
+### 4.3 输出变量选择
+
+支持多选（按住Ctrl键选择多个）：
+
+| 变量 | 说明 |
+|------|------|
+| Rw_brdf | BRDF校正后的水体反射率 |
+| rho_ex_w | 水体反射率 (nrrs * π) |
+| nrrs | 归一化遥感反射率 |
+| C_brdf | BRDF校正因子 |
+| brdf_unc | BRDF不确定度（需勾选计算不确定性） |
+| nrrs_unc | nrrs不确定度（需勾选计算不确定性） |
+
+**默认选中**：Rw_brdf, nrrs, C_brdf
+
+### 4.4 输出设置
+
+| 参数 | 选项 | 默认值 |
+|------|------|--------|
+| 输出路径 | 文件前缀路径 | 空 |
+| 输出格式 | ENVI | ENVI |
+
+### 4.5 运行
+
+点击"运行水体BRDF校正"按钮开始处理。
+
+---
+
+## 五、掩膜条件说明
+
+掩膜用于定义参与计算或应用校正的像素范围。所有掩膜条件取交集（同时满足）。
+
+### 5.1 支持的掩膜类型
+
+| 类型 | 说明 | 参数 |
+|------|------|------|
+| **ndi** | 归一化差值指数 | band_1, band_2, min, max |
+| **ancillary** | 辅助数据掩膜 | name, min, max |
+| **neon_edge** | NEON数据边缘掩膜 | radius |
+| **kernel_finite** | 核函数有限性掩膜 | 无参数 |
+| **water** | 水体掩膜 | band_1, band_2, threshold |
+| **external** | 外部掩膜文件 | file_path, class |
+| **band** | 单波段阈值 | band, min, max |
+
+### 5.2 各类型详细参数
+
+#### ndi（归一化差值指数）
+
+```
+ndi = (band_1 - band_2) / (band_1 + band_2)
+保留范围: [min, max] 内的像素
+```
+
+| 参数 | 类型 | 默认值 | 说明 |
+|------|------|--------|------|
+| band_1 | 整数 | 550 | 第一个波段波长(nm) |
+| band_2 | 整数 | 2150 | 第二个波段波长(nm) |
+| min | 浮点数 | -1.0 | NDI最小值 |
+| max | 浮点数 | 0.0 | NDI最大值 |
+
+**典型应用**：
+- NDVI植被掩膜：band_1=850, band_2=680, min=0.2, max=1.0
+- NDWI水体掩膜：band_1=860, band_2=1240, min=-1.0, max=0.0
+
+#### ancillary（辅助数据掩膜）
+
+基于观测几何参数创建掩膜。
+
+| 参数 | 类型 | 默认值 | 可选值 |
+|------|------|--------|--------|
+| name | 字符串 | slope | slope, aspect, cosine_i, sensor_zn, sensor_az, solar_zn, solar_az, phase, path_length, utc_time |
+| min | 浮点数 | 0.0 | - |
+| max | 浮点数 | 1.0 | - |
+
+**典型应用**：
+- 坡度掩膜：只处理坡度小于30度的区域
+  - name=slope, min=0, max=30
+- 太阳天顶角掩膜：排除大太阳天顶角
+  - name=solar_zn, min=0, max=60
+
+#### neon_edge（NEON边缘掩膜）
+
+用于消除NEON高光谱数据图像边缘的噪声区域。
+
+| 参数 | 类型 | 默认值 | 说明 |
+|------|------|--------|------|
+| radius | 整数 | 1 | 边缘裁剪像素数 |
+
+#### kernel_finite（核函数有限性掩膜）
+
+自动排除会导致核函数计算溢出或不稳定的像素。无需参数。
+
+#### water（水体掩膜）
+
+使用特定波段组合识别水体。
+
+| 参数 | 类型 | 默认值 | 说明 |
+|------|------|--------|------|
+| band_1 | 整数 | 550 | 第一个波段波长(nm) |
+| band_2 | 整数 | 850 | 第二个波段波长(nm) |
+| threshold | 浮点数 | 0.0 | 水体识别阈值 |
+
+#### external（外部掩膜文件）
+
+使用外部分类或掩膜文件。
+
+| 参数 | 类型 | 默认值 | 说明 |
+|------|------|--------|------|
+| file_path | 字符串 | 空 | 外部掩膜文件路径 |
+| class | 整数 | 1 | 要保留的类别值 |
+
+#### band（单波段阈值）
+
+基于单个波段的值创建掩膜。
+
+| 参数 | 类型 | 默认值 | 说明 |
+|------|------|--------|------|
+| band | 整数 | 650 | 波段波长(nm) |
+| min | 浮点数 | 0.0 | 最小值 |
+| max | 浮点数 | 1.0 | 最大值 |
+
+### 5.3 掩膜条件设置步骤
+
+1. 在校正参数页找到掩膜设置区域
+2. 点击"+ 添加条件"按钮
+3. 选择掩膜类型
+4. 设置对应参数值
+5. 可添加多个条件（取交集）
+6. 点击"删除"按钮移除不需要的条件
+
+---
+
+## 六、配置文件的保存与加载
+
+### 6.1 保存配置
+
+1. 完成所有参数设置
+2. 点击"保存 JSON 配置"按钮
+3. 选择保存路径和文件名
+4. 配置将以JSON格式保存，包含：
+   - 输入文件列表
+   - 波段映射关系
+   - 校正参数设置
+   - 掩膜条件
+   - 输出设置
+
+### 6.2 加载配置
+
+1. 点击"加载 JSON 配置"按钮
+2. 选择之前保存的JSON配置文件
+3. 软件将自动恢复所有设置
+
+**注意**：
+- 加载配置后会自动匹配文件对，请确保输入文件和辅助文件路径仍然有效
+- 如果文件路径已改变，需要重新手动设置文件夹路径
+
+---
+
+## 七、典型工作流程
+
+### 7.1 陆地植被BRDF校正流程
+
+1. **启动软件** → 选择"陆地植被BRDF校正"
+2. **设置文件夹** → 选择输入文件夹和辅助文件夹
+3. **匹配文件** → 点击"自动匹配文件"
+4. **检查映射** → 确认波段映射设置正确
+5. **选择校正** → 勾选需要的校正类型（Topo/BRDF/Glint）
+6. **设置参数** → 根据数据特点调整校正参数
+7. **设置掩膜** → 添加合适的掩膜条件（如NDVI>0.2）
+8. **设置输出** → 指定输出目录和后缀
+9. **保存配置** → （可选）保存当前配置
+10. **运行** → 点击"生成配置并运行"
+
+### 7.2 水体BRDF校正流程
+
+1. **启动软件** → 选择"水体BRDF校正"
+2. **选择文件** → 依次选择高光谱文件、角度文件、水体掩膜
+3. **选择模型** → 选择适合的BRDF模型（通常用L11）
+4. **选择变量** → 勾选需要的输出变量
+5. **调整参数** → （可选）调整块大小以优化性能
+6. **设置输出** → 指定输出文件前缀路径
+7. **运行** → 点击"运行水体BRDF校正"
+
+---
+
+## 八、常见问题与解决方案
+
+### 8.1 文件匹配问题
+
+**问题**：自动匹配找不到文件对
+
+**解决**：
+- 检查文件命名是否符合 `{prefix}_rfl` 和 `{prefix}_obs` 格式
+- 确保输入文件夹和辅助文件夹路径正确
+- 使用手动添加功能指定文件对
+
+### 8.2 波段映射问题
+
+**问题**：提示波段索引超出范围
+
+**解决**：
+- 检查辅助文件的实际波段数
+- 确认波段索引从0开始计数
+- 验证辅助文件格式正确
+
+### 8.3 内存不足问题
+
+**问题**：处理大文件时内存溢出
+
+**解决**：
+- 减少CPU核心数设置
+- 对于水体模块，减小处理块大小（chunk_size）
+- 分块处理（FlexBRDF会自动分块）
+
+### 8.4 掩膜问题
+
+**问题**：校正后结果为空或过少
+
+**解决**：
+- 检查掩膜条件是否过于严格
+- 验证NDVI或波段阈值设置是否合理
+- 查看掩膜类型是否与数据匹配
+
+---
+
+## 九、技术参数参考
+
+### 9.1 支持的文件格式
+
+| 类型 | 格式 |
+|------|------|
+| 输入反射率 | ENVI标准格式 (.dat + .hdr) |
+| 观测几何 | ENVI标准格式 (.dat + .hdr) |
+| 水体掩膜 | GeoTIFF (.tif) |
+| 输出结果 | ENVI标准格式 |
+| 配置文件 | JSON (.json) |
+
+### 9.2 系统要求
+
+- **操作系统**：Windows 10/11, Linux, macOS
+- **Python版本**：3.8+
+- **内存**：建议8GB以上（处理大图像需要更多）
+- **依赖库**：PyQt5, numpy, scipy等（详见requirements.txt）
+
+---
+
+## 十、联系与支持
+
+如有问题或建议，请查看项目文档或联系开发团队。
+
+---
+
+*文档版本：v1.0*
+*最后更新：2026年4月*

ocbrdf/ocbrdf_main3.py

@@ -177,11 +177,11 @@ def _block_windows(src, block_size=512):
 
 def _resolve_output_envi_path(output_file):
     """Return the ENVI image path used for rasterio writes."""
-    if output_file.lower().endswith(".img"):
+    if output_file.lower().endswith(".dat"):
         return output_file
     if output_file.lower().endswith(".hdr"):
-        return output_file[:-4] + ".img"
-    return output_file + ".img"
+        return output_file[:-4] + ".dat"
+    return output_file + ".dat"
 
 
 def _read_wavelengths_from_header(hyperspectral_file):
@@ -259,7 +259,7 @@ def _get_output_filename(base_output_file: str, var_name: str) -> str:
         input.hdr + brdf_unc    -> input_brdf_unc.hdr
     """
     base, ext = os.path.splitext(base_output_file)
-    if ext.lower() in ('.hdr', '.img'):
+    if ext.lower() in ('.hdr', '.dat'):
         base = base  # keep base without extension
     suffix = f"_{var_name}" if var_name.lower() != "rw_brdf" else ""
     return f"{base}{suffix}{ext}"
@@ -486,6 +486,29 @@ def run_brdf_correction_block(
     for dst in output_dsts.values():
         dst.close()
 
+    # Write ENVI header files with wavelength information from input
+    for var_name, out_path in output_paths.items():
+        hdr_path = out_path[:-4] + ".hdr" if out_path.lower().endswith(".dat") else out_path + ".hdr"
+        # Prepare ENVI header content with wavelengths from input file
+        header_lines = [
+            "ENVI",
+            f"description = {{BRDF corrected result: {var_name}}}",
+            f"samples = {n_cols}",
+            f"lines = {n_rows}",
+            f"bands = {n_bands}",
+            "header offset = 0",
+            "file type = ENVI Standard",
+            "data type = 4",  # float32
+            "interleave = bsq",
+            "byte order = 0",  # little-endian
+            f"wavelength = {{{', '.join(str(v) for v in wavelengths.tolist())}}}",
+            "wavelength units = nm",
+        ]
+        # Write header file
+        with open(hdr_path, 'w') as f:
+            f.write('\n'.join(header_lines))
+        print(f"  Written header: {hdr_path}")
+
     # Print performance statistics
     total_blocks = blocks_processed + blocks_skipped
     if total_blocks > 0:
@@ -864,7 +887,7 @@ def main():
     parser.add_argument("hyperspectral_file", help="Input ENVI BSQ hyperspectral file or .hdr path.")
     parser.add_argument("angle_file", help="Input ENVI BIP angle file or .hdr path.")
     parser.add_argument("mask_file", help="Input water mask GeoTIFF; pixels == 1 are corrected.")
-    parser.add_argument("output_file", help="Output path prefix. ENVI writes .hdr/.img, NetCDF writes .nc.")
+    parser.add_argument("output_file", help="Output path prefix. ENVI writes .hdr/.dat, NetCDF writes .nc.")
     parser.add_argument("--brdf-model", default="L11", choices=["L11", "M02", "M02SeaDAS", "O25"])
     parser.add_argument("--output-var", nargs='+', default=["Rw_brdf"],
                         help="Output variables to save (one or more). "

requirements.txt

@@ -1,14 +1,42 @@
+# BRDF_GUI 项目依赖
+# 安装命令: pip install -r requirements.txt
+#
+# 本项目包含两个主要模块:
+# 1. 陆地植被BRDF校正 (FlexBRDF) - 使用 HyTools 库
+# 2. 水体BRDF校正 (Ocean BRDF) - 使用 ocbrdf 模块
+
+# ========== 核心科学计算 ==========
 numpy>=1.21.0
-ray>=2.0.0
-h5py>=3.0.0
-h5netcdf>=0.13.0
-matplotlib>=3.5.0
-pandas>=1.3.0
-scikit-learn>=1.0.0
 scipy>=1.7.0
+pandas>=1.3.0
 xarray>=0.20.0
-rasterio>=1.2.0
-spectral>=0.22.0
+
+# ========== GUI 界面 ==========
+PyQt5>=5.15.0
+
+# ========== 高光谱数据处理 ==========
+spectral>=0.22.0              # ENVI文件读写
+rasterio>=1.3.0               # 栅格数据处理 (GeoTIFF/ENVI)
+geopandas>=0.10.0             # 地理空间数据处理
+shapely>=2.0.0                # 几何形状处理
+
+# ========== HDF5/NetCDF 支持 ==========
+h5py>=3.0.0                   # HDF5文件支持
+h5netcdf>=0.13.0              # NetCDF via HDF5
+netCDF4>=1.6.0                # NetCDF文件支持 (可选)
+
+# ========== 并行处理 ==========
+ray>=2.0.0
+
+# ========== 机器学习 ==========
+scikit-learn>=1.0.0
+
+# ========== 可视化 ==========
+matplotlib>=3.5.0
+
+# ========== 观测几何计算 ==========
+pvlib>=0.10.0                 # 太阳位置计算
+pyproj>=3.4.0                 # 坐标投影转换
+
+# ========== 进度条/工具 ==========
 tqdm>=4.60.0
-geopandas>=0.10.0
-shapely>=2.0.0

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()