Python多光谱遥感数据处理全流程：ENVI+SNAP+scikit-learn+PyTorch整合实践

这次我们来看一个完整的Python多光谱遥感数据处理流程项目。这个项目覆盖了从数据预处理到最终应用的完整技术栈整合了ENVI、SNAP、scikit-learn和PyTorch四大工具特别适合需要处理遥感影像、进行地物分类和深度学习的开发者。项目最核心的价值在于提供了一个端到端的解决方案从原始遥感数据开始经过预处理、特征提取、模型训练最终实现矿物识别、土壤评价和植被分析等实际应用。整个流程采用Python作为统一编程环境避免了工具切换带来的效率损失。如果你正在处理Landsat、Sentinel等多光谱数据或者需要构建遥感影像分析管道这篇文章将带你完成环境搭建、工具配置、数据处理和模型训练的全流程验证。1. 核心能力速览能力项说明数据处理工具ENVI商业遥感软件、SNAPESA开源工具、Python机器学习框架scikit-learn传统ML、PyTorch深度学习支持数据类型Landsat系列、Sentinel-1/2、多光谱/高光谱数据主要应用场景矿物识别、土壤质量评价、植被指数分析、地物分类硬件要求支持CPU处理GPU可加速PyTorch训练推荐4G显存环境依赖Python 3.8相关科学计算库ENVI/SNAP软件许可输出成果分类图、指数图、评价报告、训练好的模型文件2. 适用场景与使用边界这个项目主要面向以下几类用户遥感数据处理工程师需要处理多光谱数据并提取有价值信息地信专业学生/研究人员进行遥感影像分析和地物分类研究环境监测从业者开展植被覆盖、土壤质量等环境指标评估矿业/农业应用开发者构建专业的矿物识别或作物长势分析系统使用边界需要注意ENVI是商业软件需要正版授权用于商业用途SNAP虽然开源但处理大型数据时需要足够的内存和存储空间深度学习训练部分对硬件有一定要求大数据集需要GPU支持遥感数据涉及地理信息使用时需遵守相关数据政策和版权规定3. 环境准备与前置条件3.1 软件环境清单必需软件Python 3.8或3.9推荐Anaconda发行版ENVI 5.3确保有有效的许可证SNAP 8.0免费下载使用Jupyter Notebook或VS Code开发环境Python主要依赖包# 创建conda环境推荐 conda create -n remote-sensing python3.8 conda activate remote-sensing # 安装核心科学计算库 conda install numpy scipy pandas matplotlib jupyter conda install scikit-learn seaborn # 安装PyTorch根据CUDA版本选择 # CUDA 11.3版本 pip install torch1.12.1cu113 torchvision0.13.1cu113 torchaudio0.12.1 --extra-index-url https://download.pytorch.org/whl/cu113 # 或CPU版本 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu3.2 硬件要求检查最低配置CPU4核以上内存8GB处理Sentinel数据推荐16GB存储50GB可用空间遥感数据文件较大GPU可选但PyTorch训练时能显著加速推荐配置CPU8核以上内存32GB存储500GB SSDGPUNVIDIA RTX 3060 12GB或更高3.3 数据准备准备测试用的遥感数据Landsat 8/9 Level-1数据USGS官网下载Sentinel-1 SAR数据或Sentinel-2多光谱数据Copernicus Open Access Hub研究区域的矢量边界文件可选4. 工具安装与配置验证4.1 ENVI安装与Python接口配置ENVI作为商业遥感软件提供了完整的图像处理能力。安装后需要配置Python接口# 检查ENVI Python接口是否可用 import sys try: import envi print(ENVI Python接口加载成功) except ImportError: # 添加ENVI安装路径到Python路径 envi_path rC:\Program Files\Harris\ENVI5x\extensions sys.path.append(envi_path) import envi print(ENVI路径手动添加成功)4.2 SNAP图形界面与GPT处理配置SNAPSentinel Application Platform是欧空局开源的遥感处理平台支持批量处理# SNAP GPTGraph Processing Tool命令行工具配置 import subprocess import os # 设置SNAP安装路径 snap_bin rC:\Program Files\snap\bin gpt_path os.path.join(snap_bin, gpt.exe) def run_snap_gpt(graph_file, input_file, output_file): 运行SNAP GPT处理图 cmd [ gpt_path, graph_file, f-Pinput{input_file}, f-Poutput{output_file} ] result subprocess.run(cmd, capture_outputTrue, textTrue) if result.returncode 0: print(SNAP处理成功) else: print(f处理失败: {result.stderr}) return result4.3 Python环境完整性验证创建验证脚本来检查所有依赖# environment_check.py def check_environment(): 检查环境依赖是否完整 packages { numpy: 1.21.0, scipy: 1.7.0, pandas: 1.3.0, scikit-learn: 1.0.0, torch: 1.12.0, rasterio: 1.2.0, gdal: 3.3.0 } missing [] for pkg, version in packages.items(): try: mod __import__(pkg) print(f✓ {pkg} 版本: {getattr(mod, __version__, 未知)}) except ImportError: missing.append(pkg) print(f✗ {pkg} 未安装) if missing: print(f\n需要安装的包: {missing}) else: print(\n环境检查通过) if __name__ __main__: check_environment()5. 数据预处理流程实战5.1 Landsat数据预处理Landsat数据需要经过辐射定标、大气校正等预处理步骤import rasterio import numpy as np from osgeo import gdal def preprocess_landsat(landsat_path, output_path): Landsat数据预处理流程 # 读取原始数据 with rasterio.open(landsat_path) as src: metadata src.meta bands_data [] # 读取多波段数据 for i in range(1, src.count 1): band src.read(i) bands_data.append(band) # 辐射定标DN值转辐射亮度 def dn_to_radiance(dn, gain, bias): return gain * dn bias # 大气校正简化版黑暗像元法 def atmospheric_correction(radiance, dark_pixel_value): return radiance - dark_pixel_value # 应用预处理 processed_bands [] for band_data in bands_data: # 假设的增益和偏置值实际需要从元数据获取 gain, bias 0.1, 1.0 radiance dn_to_radiance(band_data, gain, bias) corrected atmospheric_correction(radiance, 50) # 假设暗像元值 processed_bands.append(corrected) # 保存预处理结果 metadata.update({ dtype: float32, count: len(processed_bands) }) with rasterio.open(output_path, w, **metadata) as dst: for i, band in enumerate(processed_bands, 1): dst.write(band.astype(float32), i) print(f预处理完成: {output_path}) # 使用示例 # preprocess_landsat(LC08_L1TP_123032_20201020.tif, processed_landsat.tif)5.2 Sentinel-1数据预处理Sentinel-1 SAR数据需要特定的预处理流程def sentinel1_preprocessing(s1_path, output_dir): Sentinel-1数据预处理 # 使用SNAP进行专业预处理 graph_xml graph idGraph version1.0/version node idRead operatorRead/operator sources/ parameters classcom.bc.ceres.binding.dom.XppDomElement file{input_file}/file /parameters /node node idCalibrate operatorCalibrate/operator sources sourceProduct refidRead/ /sources parameters classcom.bc.ceres.binding.dom.XppDomElement outputImageInComplextrue/outputImageInComplex outputImageScaleInDbfalse/outputImageScaleInDb /parameters /node node idWrite operatorWrite/operator sources sourceProduct refidCalibrate/ /sources parameters classcom.bc.ceres.binding.dom.XppDomElement file{output_file}/file formatNameBEAM-DIMAP/formatName /parameters /node /graph # 保存处理图文件 graph_file os.path.join(output_dir, s1_preprocess.xml) with open(graph_file, w) as f: f.write(graph_xml.format( input_files1_path, output_fileos.path.join(output_dir, calibrated.dim) )) # 执行处理 run_snap_gpt(graph_file, s1_path, os.path.join(output_dir, calibrated.dim))6. 特征提取与指数计算6.1 植被指数计算多光谱数据可以计算各种植被指数class VegetationIndices: 植被指数计算类 staticmethod def ndvi(red_band, nir_band): 归一化植被指数 return (nir_band - red_band) / (nir_band red_band 1e-10) staticmethod def evi(blue_band, red_band, nir_band, L1, C16, C27.5, G2.5): 增强型植被指数 return G * (nir_band - red_band) / (nir_band C1 * red_band - C2 * blue_band L) staticmethod def savi(red_band, nir_band, L0.5): 土壤调节植被指数 return (1 L) * (nir_band - red_band) / (nir_band red_band L 1e-10) def calculate_vegetation_indices(raster_path, output_path): 计算多种植被指数 with rasterio.open(raster_path) as src: # 假设波段顺序蓝、绿、红、近红外 blue src.read(1).astype(float32) green src.read(2).astype(float32) red src.read(3).astype(float32) nir src.read(4).astype(float32) # 计算各种指数 ndvi VegetationIndices.ndvi(red, nir) evi VegetationIndices.evi(blue, red, nir) savi VegetationIndices.savi(red, nir) # 保存结果 profile src.profile profile.update({ dtype: float32, count: 3 }) with rasterio.open(output_path, w, **profile) as dst: dst.write(ndvi, 1) dst.write(evi, 2) dst.write(savi, 3) print(f植被指数计算完成: {output_path})6.2 矿物识别特征提取基于光谱特征进行矿物识别def extract_mineral_features(spectral_data): 提取矿物识别特征 features {} # 光谱吸收特征 def absorption_depth(wavelengths, reflectance, absorption_center): 计算吸收深度 idx np.argmin(np.abs(wavelengths - absorption_center)) left_idx max(0, idx-5) right_idx min(len(wavelengths)-1, idx5) continuum np.linspace(reflectance[left_idx], reflectance[right_idx], right_idx-left_idx1) absorption continuum[idx-left_idx] - reflectance[idx] return absorption / continuum[idx-left_idx] # 提取多种矿物特征 features[iron_absorption] absorption_depth( spectral_data[wavelengths], spectral_data[reflectance], 900 # 铁矿物吸收中心 ) features[clay_absorption] absorption_depth( spectral_data[wavelengths], spectral_data[reflectance], 2200 # 粘土矿物吸收中心 ) return features7. 机器学习模型构建7.1 基于scikit-learn的传统分类from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import train_test_split from sklearn.metrics import classification_report, accuracy_score import joblib class RemoteSensingClassifier: 遥感影像分类器 def __init__(self, model_typerandom_forest): if model_type random_forest: self.model RandomForestClassifier(n_estimators100, random_state42) else: raise ValueError(不支持的模型类型) def prepare_training_data(self, features, labels): 准备训练数据 X_train, X_test, y_train, y_test train_test_split( features, labels, test_size0.3, random_state42, stratifylabels ) return X_train, X_test, y_train, y_test def train(self, X_train, y_train): 训练模型 self.model.fit(X_train, y_train) print(模型训练完成) def evaluate(self, X_test, y_test): 模型评估 y_pred self.model.predict(X_test) accuracy accuracy_score(y_test, y_pred) report classification_report(y_test, y_pred) print(f准确率: {accuracy:.4f}) print(分类报告:) print(report) return accuracy, report def predict_image(self, image_data): 对整个影像进行分类预测 original_shape image_data.shape[:2] pixels image_data.reshape(-1, image_data.shape[2]) # 预测 predictions self.model.predict(pixels) classified_image predictions.reshape(original_shape) return classified_image def save_model(self, filepath): 保存训练好的模型 joblib.dump(self.model, filepath) print(f模型已保存: {filepath}) def load_model(self, filepath): 加载预训练模型 self.model joblib.load(filepath) print(f模型已加载: {filepath})7.2 基于PyTorch的深度学习分类import torch import torch.nn as nn import torch.optim as optim from torch.utils.data import Dataset, DataLoader class SpectralDataset(Dataset): 多光谱数据集类 def __init__(self, features, labels, transformNone): self.features torch.FloatTensor(features) self.labels torch.LongTensor(labels) self.transform transform def __len__(self): return len(self.features) def __getitem__(self, idx): feature self.features[idx] label self.labels[idx] if self.transform: feature self.transform(feature) return feature, label class SpectralCNN(nn.Module): 多光谱卷积神经网络 def __init__(self, num_bands, num_classes): super(SpectralCNN, self).__init__() self.conv_layers nn.Sequential( nn.Conv2d(num_bands, 32, kernel_size3, padding1), nn.ReLU(), nn.MaxPool2d(2), nn.Conv2d(32, 64, kernel_size3, padding1), nn.ReLU(), nn.MaxPool2d(2), nn.Conv2d(64, 128, kernel_size3, padding1), nn.ReLU(), nn.AdaptiveAvgPool2d((1, 1)) ) self.classifier nn.Sequential( nn.Dropout(0.5), nn.Linear(128, 64), nn.ReLU(), nn.Linear(64, num_classes) ) def forward(self, x): x self.conv_layers(x) x x.view(x.size(0), -1) x self.classifier(x) return x def train_deep_learning_model(features, labels, num_epochs50): 训练深度学习模型 # 准备数据 dataset SpectralDataset(features, labels) dataloader DataLoader(dataset, batch_size32, shuffleTrue) # 初始化模型 model SpectralCNN(num_bandsfeatures.shape[1], num_classeslen(np.unique(labels))) criterion nn.CrossEntropyLoss() optimizer optim.Adam(model.parameters(), lr0.001) # 训练循环 device torch.device(cuda if torch.cuda.is_available() else cpu) model.to(device) for epoch in range(num_epochs): model.train() running_loss 0.0 for batch_features, batch_labels in dataloader: batch_features batch_features.unsqueeze(2).unsqueeze(3) # 添加空间维度 batch_features, batch_labels batch_features.to(device), batch_labels.to(device) optimizer.zero_grad() outputs model(batch_features) loss criterion(outputs, batch_labels) loss.backward() optimizer.step() running_loss loss.item() if (epoch 1) % 10 0: print(fEpoch [{epoch1}/{num_epochs}], Loss: {running_loss/len(dataloader):.4f}) return model8. 应用案例实战8.1 矿物识别应用def mineral_identification_pipeline(input_image, model_path, output_path): 矿物识别完整流程 # 1. 数据预处理 print(步骤1: 数据预处理...) preprocessed preprocess_landsat(input_image, temp_preprocessed.tif) # 2. 特征提取 print(步骤2: 特征提取...) with rasterio.open(temp_preprocessed.tif) as src: image_data src.read() height, width image_data.shape[1], image_data.shape[2] # 提取像素级特征 pixels image_data.reshape(image_data.shape[0], -1).T # 3. 加载预训练模型 print(步骤3: 加载模型...) classifier RemoteSensingClassifier() classifier.load_model(model_path) # 4. 预测 print(步骤4: 预测分类...) # 分批预测避免内存溢出 batch_size 10000 predictions [] for i in range(0, pixels.shape[0], batch_size): batch pixels[i:ibatch_size] batch_pred classifier.model.predict(batch) predictions.extend(batch_pred) # 5. 生成分类图 print(步骤5: 生成结果图...) classified_image np.array(predictions).reshape(height, width) # 保存结果 with rasterio.open(input_image) as src: profile src.profile profile.update({ dtype: uint8, count: 1 }) with rasterio.open(output_path, w, **profile) as dst: dst.write(classified_image.astype(uint8), 1) print(f矿物识别完成: {output_path}) return output_path8.2 土壤评价系统class SoilQualityEvaluator: 土壤质量评价系统 def __init__(self): self.indicators { organic_matter: {weight: 0.3, threshold: 2.0}, moisture_content: {weight: 0.25, threshold: 15.0}, mineral_composition: {weight: 0.2, threshold: 0.5}, vegetation_health: {weight: 0.25, threshold: 0.6} } def calculate_soil_index(self, spectral_data): 计算土壤指数 # 基于光谱特征计算各种土壤指标 indicators {} # 有机质含量估算简化模型 indicators[organic_matter] self.estimate_organic_matter(spectral_data) # 水分含量估算 indicators[moisture_content] self.estimate_moisture(spectral_data) # 矿物组成 indicators[mineral_composition] self.estimate_minerals(spectral_data) # 植被健康间接反映土壤质量 indicators[vegetation_health] self.estimate_vegetation_health(spectral_data) return indicators def evaluate_soil_quality(self, indicators): 综合评价土壤质量 total_score 0 evaluation {} for indicator, params in self.indicators.items(): value indicators[indicator] weight params[weight] threshold params[threshold] # 标准化评分0-1 normalized_score min(value / threshold, 1.0) weighted_score normalized_score * weight evaluation[indicator] { value: value, score: normalized_score, weighted_score: weighted_score } total_score weighted_score # 总体评价 if total_score 0.8: quality_level 优 elif total_score 0.6: quality_level 良 elif total_score 0.4: quality_level 中 else: quality_level 差 evaluation[total_score] total_score evaluation[quality_level] quality_level return evaluation def generate_soil_report(self, evaluation, output_path): 生成土壤评价报告 report f 土壤质量评价报告 总体评价: {evaluation[quality_level]} (得分: {evaluation[total_score]:.3f}) 详细指标: for indicator, data in evaluation.items(): if indicator not in [total_score, quality_level]: report f - {indicator}: 测量值: {data[value]:.3f} 标准化得分: {data[score]:.3f} 加权得分: {data[weighted_score]:.3f} with open(output_path, w, encodingutf-8) as f: f.write(report) print(f土壤评价报告已生成: {output_path}) return report9. 批量处理与自动化9.1 批量数据处理管道import glob from pathlib import Path class BatchProcessor: 批量遥感数据处理管道 def __init__(self, input_dir, output_dir, config): self.input_dir Path(input_dir) self.output_dir Path(output_dir) self.config config # 创建输出目录 self.output_dir.mkdir(parentsTrue, exist_okTrue) def find_input_files(self, pattern*.tif): 查找输入文件 return list(self.input_dir.glob(pattern)) def process_single_file(self, input_file, output_subdir): 处理单个文件 try: # 根据文件类型选择处理流程 if landsat in input_file.name.lower(): return self.process_landsat(input_file, output_subdir) elif sentinel in input_file.name.lower(): return self.process_sentinel(input_file, output_subdir) else: print(f未知文件类型: {input_file}) return False except Exception as e: print(f处理失败 {input_file}: {e}) return False def process_landsat(self, input_file, output_subdir): 处理Landsat数据 # 生成输出文件名 stem input_file.stem output_file output_subdir / f{stem}_processed.tif # 执行处理流程 preprocess_landsat(str(input_file), str(output_file)) # 计算植被指数 vi_file output_subdir / f{stem}_vegetation.tif calculate_vegetation_indices(str(output_file), str(vi_file)) return True def run_batch_processing(self): 运行批量处理 input_files self.find_input_files() print(f找到 {len(input_files)} 个待处理文件) success_count 0 for i, input_file in enumerate(input_files, 1): print(f处理进度: {i}/{len(input_files)} - {input_file.name}) # 为每个文件创建子目录 output_subdir self.output_dir / input_file.stem output_subdir.mkdir(exist_okTrue) if self.process_single_file(input_file, output_subdir): success_count 1 print(f批量处理完成: {success_count}/{len(input_files)} 成功) return success_count # 使用示例 config { preprocessing: True, vegetation_indices: True, mineral_detection: False } processor BatchProcessor( input_dir./raw_data, output_dir./processed, configconfig ) processor.run_batch_processing()9.2 自动化监控与报告生成import schedule import time from datetime import datetime class MonitoringSystem: 自动化监控系统 def __init__(self, data_source, check_interval24): # 小时 self.data_source data_source self.check_interval check_interval def check_new_data(self): 检查新数据 print(f{datetime.now()}: 检查新数据...) # 实现数据源检查逻辑 new_files self.scan_data_source() if new_files: print(f发现 {len(new_files)} 个新文件) self.process_new_data(new_files) else: print(无新数据) def generate_daily_report(self): 生成日报 report_date datetime.now().strftime(%Y-%m-%d) report_content f 遥感数据处理日报 - {report_date} 处理统计: - 今日处理文件数: {self.get_today_stats()} - 成功率: {self.get_success_rate():.1%} - 总数据量: {self.get_total_volume()} GB 问题汇总: {self.get_issues_summary()} report_file freport_{report_date}.txt with open(report_file, w, encodingutf-8) as f: f.write(report_content) print(f日报已生成: {report_file}) return report_file def start_monitoring(self): 启动监控 print(启动自动化监控系统...) # 定时任务 schedule.every(self.check_interval).hours.do(self.check_new_data) schedule.every().day.at(08:00).do(self.generate_daily_report) while True: schedule.run_pending() time.sleep(60) # 每分钟检查一次 # 使用示例在独立线程中运行 # monitor MonitoringSystem(ftp://example.com/remote_sensing) # monitor.start_monitoring()10. 性能优化与资源管理10.1 内存优化策略处理大型遥感影像时的内存管理class MemoryOptimizedProcessor: 内存优化的处理器 def __init__(self, chunk_size1024): self.chunk_size chunk_size # 处理块大小 def process_large_raster(self, input_path, output_path, process_function): 分块处理大型栅格数据 with rasterio.open(input_path) as src: profile src.profile width, height src.width, src.height # 更新输出配置文件 profile.update({ dtype: float32, compress: lzw }) with rasterio.open(output_path, w, **profile) as dst: # 分块处理 for i in range(0, height, self.chunk_size): for j in range(0, width, self.chunk_size): # 计算当前块的范围 win rasterio.windows.Window( j, i, min(self.chunk_size, width - j), min(self.chunk_size, height - i) ) # 读取数据块 data src.read(windowwin) # 处理数据块 processed_chunk process_function(data) # 写入结果 dst.write(processed_chunk, windowwin) print(f处理进度: {min(i self.chunk_size, height)}/{height}) print(f分块处理完成: {output_path}) # 使用示例 def ndvi_chunk_processor(data): NDVI计算的分块处理器 red data[3] # 红波段 nir data[4] # 近红外波段 return ((nir - red) / (nir red 1e-10)).reshape(1, *red.shape) optimized_processor MemoryOptimizedProcessor(chunk_size512) # optimized_processor.process_large_raster(large_image.tif, ndvi_result.tif, ndvi_chunk_processor)10.2 GPU加速优化def optimize_for_gpu(model, data_loader): GPU加速优化 device torch.device(cuda if torch.cuda.is_available() else cpu) # 模型转移到GPU model.to(device) # 使用混合精度训练如果GPU支持 if device.type cuda: scaler torch.cuda.amp.GradScaler() def train_epoch(): model.train() total_loss 0 for batch_data, batch_labels in data_loader: batch_data, batch_labels batch_data.to(device), batch_labels.to(device) optimizer.zero_grad() if device.type cuda: # 使用自动混合精度 with torch.cuda.amp.autocast(): outputs model(batch_data) loss criterion(outputs, batch_labels) scaler.scale(loss).backward() scaler.step(optimizer) scaler.update() else: outputs model(batch_data) loss criterion(outputs, batch_labels) loss.backward() optimizer.step() total_loss loss.item() return total_loss / len(data_loader) return train_epoch11. 常见问题与解决方案11.1 环境配置问题问题1: ENVI Python接口无法导入症状: ImportError: No module named envi 解决: 手动添加ENVI安装路径到Python路径import sys sys.path.append(rC:\Program Files\Harris\ENVI5x\extensions)问题2: GDAL库安装失败症状: ERROR: Could not build wheels for gdal 解决: 使用conda安装预编译版本conda install gdal -c conda-forge11.2 数据处理问题问题3: 内存不足处理大型影像症状: MemoryError when reading large raster 解决: 使用分块处理策略减小chunk_size参数使用rasterio.windows分块读取考虑使用Dask进行并行处理问题4: SNAP GPT处理失败症状: GPT返回非零退出码 解决: 检查处理图XML格式和文件路径验证输入文件存在且可读检查XML语法是否正确查看GPT错误日志获取详细信息11.3 模型训练问题问题5: 深度学习模型过拟合症状: 训练准确率高但验证准确率低 解决: 增加正则化和数据增强# 在模型中添加Dropout nn.Dropout(0.5) # 使用数据增强 transform transforms.Compose([ transforms.RandomHorizontalFlip(), transforms.RandomRotation(10) ])问题6: 类别不平衡症状: 模型对多数类过拟合少数类识别差 解决: 使用类别权重或过采样from sklearn.utils.class_weight import compute_class_weight class_weights compute_class_weight( balanced, classesnp.unique(y_train), yy_train )12. 最佳实践总结经过完整的流程实践这里总结一些关键的最佳实践12.1 数据管理规范原始数据备份: 始终保持原始数据的完整性所有处理都在副本上进行版本控制: 对处理脚本和配置文件使用Git进行版本管理元数据记录: 为每个处理步骤保存完整的参数和元数据12.2 处理流程优化渐进式验证: 先在小范围测试整个流程再扩展到全区域质量控制: 在每个关键步骤后添加质量检查点并行处理: 对独立任务使用多进程或Dask加速12.3 模型部署建议模型版本化: 为每个训练好的模型保存完整的训练配置和评估结果