BRDF/slope

================================================================================
                    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