# Cd预测集成系统使用说明

## 项目简介

本项目整合了三个原本独立的模块：
- **作物Cd模型文件与数据**：用于预测作物中的镉含量
- **有效态Cd模型文件与数据**：用于预测土壤中有效态镉含量  
- **Irrigation_Water**：用于数据分析和可视化

整合后的系统可以一键运行完整的预测分析流程，从模型预测到最终的地图可视化。

## 快速开始

### 1. 数据迁移
首先运行数据迁移脚本，将原有项目的文件复制到新的项目结构中：

```bash
cd Cd_Prediction_Integrated_System
python setup_data.py
```

### 2. 安装依赖
```bash
pip install -r requirements.txt
```

### 3. 运行主程序
```bash
python main.py
```

## 项目结构说明

```
Cd_Prediction_Integrated_System/
├── README.md                 # 英文说明文档
├── 使用说明.md               # 中文使用说明
├── main.py                   # 主执行脚本
├── config.py                 # 配置文件
├── setup_data.py             # 数据迁移脚本
├── requirements.txt          # 依赖包列表
├── models/                   # 模型模块
│   ├── crop_cd_model/        # 作物Cd模型
│   │   ├── model_files/      # 模型文件(.pth, .npy等)
│   │   ├── data/            # 输入数据(areatest.csv)
│   │   └── predict.py       # 预测脚本
│   └── effective_cd_model/   # 有效态Cd模型
│       ├── model_files/      # 模型文件(.pth, .npy等)
│       ├── data/            # 输入数据(areatest.csv)
│       └── predict.py       # 预测脚本
├── analysis/                 # 数据分析模块
│   ├── data_processing.py    # 数据处理(整合预测结果与坐标)
│   ├── mapping.py           # 栅格映射(CSV转GeoTIFF)
│   └── visualization.py     # 可视化(地图和直方图)
├── data/                    # 共享数据
│   ├── coordinates/         # 坐标数据(坐标.csv)
│   ├── predictions/         # 模型预测结果
│   └── final/              # 最终整合数据
├── output/                  # 输出结果
│   ├── raster/             # 栅格文件(.tif, .shp等)
│   ├── figures/            # 图形输出(.jpg)
│   └── reports/            # 日志文件
└── utils/                  # 工具函数
    └── common.py           # 通用函数
```

## 工作流程

系统按以下顺序执行：

1. **模型预测阶段**
   - 运行作物Cd模型，生成 `combined_pH.csv`
   - 运行有效态Cd模型，生成 `pHcombined.csv`

2. **数据整合阶段**
   - 将预测结果与坐标数据合并
   - 生成 `Final_predictions.csv`

3. **栅格转换阶段**（相当于原来的 `02_Transfer_csv_to_geotif.py`）
   - 将CSV数据转换为Shapefile
   - 将Shapefile栅格化为GeoTIFF

4. **可视化阶段**（相当于原来的 `01_Figure_raster_mapping.py`）
   - 生成栅格地图
   - 生成预测值分布直方图

## 配置说明

可以通过修改 `config.py` 文件来调整系统行为：

### 模型配置
- `CROP_CD_MODEL`: 作物Cd模型的文件路径和参数
- `EFFECTIVE_CD_MODEL`: 有效态Cd模型的文件路径和参数

### 工作流程控制
```python
WORKFLOW_CONFIG = {
    "run_crop_model": True,        # 是否运行作物Cd模型
    "run_effective_model": True,   # 是否运行有效态Cd模型
    "combine_predictions": True,   # 是否整合预测结果
    "generate_raster": True,       # 是否生成栅格文件
    "create_visualization": True,  # 是否创建地图
    "create_histogram": True       # 是否创建直方图
}
```

### 可视化配置
- 6种预定义颜色方案
- 可调整图片尺寸和分辨率
- 支持自定义标题和标签

## 输出文件

运行完成后，会在以下位置生成输出文件：

- `data/predictions/`: 模型预测结果CSV文件
- `data/final/`: 最终整合的数据文件
- `output/raster/`: 栅格文件(GeoTIFF, Shapefile)
- `output/figures/`: 可视化图片
- `output/reports/`: 执行日志

## 常见问题

### Q: 如何只运行某个特定模块？
A: 修改 `config.py` 中的 `WORKFLOW_CONFIG`，将不需要的步骤设为 `False`。

### Q: 如何更改颜色方案？
A: 修改 `config.py` 中的 `VISUALIZATION_CONFIG["default_colormap"]`，或者添加自定义颜色方案。

### Q: 模型文件找不到怎么办？
A: 确保运行了 `setup_data.py` 脚本，并且原始项目文件夹在正确位置。

### Q: 如何查看详细的执行日志？
A: 查看 `output/reports/` 目录中的日志文件。

## 技术特点

- **模块化设计**：每个功能模块独立，便于维护和扩展
- **配置驱动**：通过配置文件控制执行流程
- **完整日志**：详细记录每个步骤的执行情况
- **错误处理**：完善的异常处理机制
- **面向对象**：使用类封装功能，代码结构清晰
- **JSDoc注释**：所有函数都有详细的参数说明

## 扩展说明

如需添加新的模型或功能：

1. 在 `models/` 目录下创建新的模型模块
2. 在 `config.py` 中添加相应配置
3. 在 `main.py` 中添加执行步骤
4. 更新 `analysis/data_processing.py` 以支持新的预测结果

## 联系方式

如有问题或建议，请查看项目日志文件或联系开发团队。