import numpy as np
import matplotlib.pyplot as plt
from scipy.interpolate import CubicSpline

def make_strictly_increasing(wl, n, k):
    # 去除完全相同的点
    unique_wl, indices = np.unique(wl, return_index=True)
    if len(unique_wl) != len(wl):
        print(f"Removed {len(wl) - len(unique_wl)} duplicate wavelength points")
        wl, n, k = wl[indices], n[indices], k[indices]

    # 确保严格递增
    is_increasing = np.diff(wl) > 0
    if not all(is_increasing):
        # 移除不满足严格递增的点
        valid_indices = np.concatenate([[True], is_increasing])
        wl, n, k = wl[valid_indices], n[valid_indices], k[valid_indices]

    return wl, n, k
# -----------------------------
# 1. 从data.txt读取分块格式数据（先wl+n，再wl+k）
# -----------------------------
def read_split_data(file_path):
    """
    解析分块数据格式：
    第一部分：wl	n（多行数据）
    第二部分：wl	k（多行数据）
    返回：sorted_wl, n, k（波长已排序，保证n和k一一对应）
    """
    with open(file_path, 'r', encoding='utf-8') as f:
        lines = [line.strip() for line in f if line.strip() and not line.startswith('#')]

    # 分割n数据和k数据（以"wl	k"为分界）
    split_idx = None
    for i, line in enumerate(lines):
        if line == 'wl	k':  # 找到k数据的表头
            split_idx = i
            break

    # 提取n数据（表头后到split_idx前）
    n_lines = lines[1:split_idx]  # 跳过"wl	n"表头
    wl_n = []
    n_list = []
    for line in n_lines:
        wl, n_val = line.split()
        wl_n.append(float(wl))
        n_list.append(float(n_val))

    # 提取k数据（split_idx后）
    k_lines = lines[split_idx + 1:]  # 跳过"wl	k"表头
    wl_k = []
    k_list = []
    for line in k_lines:
        wl, k_val = line.split()
        wl_k.append(float(wl))
        k_list.append(float(k_val))

    # 转换为numpy数组
    wl_n = np.array(wl_n)
    n_list = np.array(n_list)
    wl_k = np.array(wl_k)
    k_list = np.array(k_list)

    # 确保n和k的波长完全一致（否则插值会出错）
    assert np.allclose(wl_n, wl_k), "n和k的波长列表不一致！"

    # 排序（按波长递增，避免插值异常）
    sorted_idx = np.argsort(wl_n)
    sorted_wl = wl_n[sorted_idx]
    sorted_n = n_list[sorted_idx]
    sorted_k = k_list[sorted_idx]

    return sorted_wl, sorted_n, sorted_k


# 读取数据
wl_all, n_all, k_all = read_split_data('/Users/spasolreisa/IdeaProjects/asiaMath/data.txt')

wl_all, n_all, k_all = make_strictly_increasing(wl_all, n_all, k_all)
#
# 三次样条插值（覆盖全波段，保证计算精度）
cs_n = CubicSpline(wl_all, n_all)  # 折射率n的插值函数
cs_k = CubicSpline(wl_all, k_all)  # 消光系数k的插值函数

# 定义待研究的PDMS薄膜厚度（μm），可按需调整
thicknesses = [0.5, 1.0, 1.5, 2.0]


# -----------------------------
# 2. 核心物理模型：薄膜发射率计算
# -----------------------------
def fresnel_reflectance(n1, k1, n2, k2):
    """
    菲涅尔反射率（垂直入射近似，考虑消光系数k）
    输入：介质1的n/k，介质2的n/k
    输出：垂直入射时的反射率R（0-1）
    """
    m1 = n1 + 1j * k1  # 介质1的复折射率
    m2 = n2 + 1j * k2  # 介质2的复折射率
    return np.abs((m1 - m2) / (m1 + m2)) ** 2


def thin_film_emissivity(n_film, k_film, d, wl, n_air=1.0, k_air=0.0):
    """
    薄膜发射率计算（考虑多光束干涉和吸收）
    输入：
        n_film/k_film: 薄膜的折射率/消光系数
        d: 薄膜厚度（μm）
        wl: 波长（μm）
        n_air/k_air: 空气的折射率/消光系数（默认n=1, k=0）
    输出：
        epsilon: 发射率（0-1）
    """
    # 1. 计算上下表面的菲涅尔反射率
    R12 = fresnel_reflectance(n_air, k_air, n_film, k_film)  # 空气→薄膜
    R23 = fresnel_reflectance(n_film, k_film, n_air, k_air)  # 薄膜→空气

    # 2. 计算相位差和吸收衰减
    delta = 2 * np.pi * n_film * d / wl  # 干涉相位差（无吸收时）
    alpha = 4 * np.pi * k_film * d / wl  # 吸收导致的振幅衰减系数

    # 3. 多光束干涉反射率（考虑吸收）
    numerator = R12 + R23 * np.exp(-alpha) + 2 * np.sqrt(R12 * R23 * np.exp(-alpha)) * np.cos(2 * delta)
    denominator = 1 + R12 * R23 * np.exp(-alpha) + 2 * np.sqrt(R12 * R23 * np.exp(-alpha)) * np.cos(2 * delta)
    R_total = numerator / denominator

    # 4. 多光束干涉透射率（考虑吸收）
    T_total = (1 - R12) * (1 - R23) * np.exp(-alpha) / denominator

    # 5. 基尔霍夫定律：ε = 1 - R - T（局部热平衡）
    epsilon = 1 - R_total - T_total
    return epsilon


# -----------------------------
# 3. 计算并绘制不同厚度的发射率光谱
# -----------------------------
# 定义计算波长范围（覆盖数据的有效波长区间，步长0.01μm保证平滑）
wl_min = wl_all.min()
wl_max = wl_all.max()
wl_fine = np.linspace(wl_min, wl_max, int((wl_max - wl_min) / 0.01) + 1)

# 创建绘图
plt.figure(figsize=(12, 7))
plt.rcParams['font.sans-serif'] = ['Arial']  # 统一字体

# 存储不同厚度的发射率结果（用于后续分析）
emission_dict = {}

for d in thicknesses:
    # 插值得到当前波长下的n和k
    n_film = cs_n(wl_fine)
    k_film = cs_k(wl_fine)

    # 计算发射率
    epsilon = thin_film_emissivity(n_film, k_film, d, wl_fine)
    emission_dict[d] = epsilon

    # 绘制光谱曲线
    plt.plot(wl_fine, epsilon, linewidth=2, label=f'Thickness = {d} μm')

# -----------------------------
# 4. 图表美化与标注（突出辐射制冷关键波段）
# -----------------------------
# 标注大气透明窗口（8-13μm，辐射制冷核心波段）
if wl_min <= 13 and wl_max >= 8:  # 仅当数据覆盖该波段时才标注
    plt.axvspan(8, 13, alpha=0.15, color='red', label='Atmospheric Window (8-13 μm)')

# 坐标轴与标题
plt.xlabel('Wavelength (μm)', fontsize=14)
plt.ylabel('Emissivity ε(λ)', fontsize=14)
plt.title('PDMS Thin Film Spectral Emissivity for Different Thicknesses', fontsize=16, fontweight='bold')

# 网格、图例与范围设置
plt.grid(True, alpha=0.3, linestyle='--')
plt.legend(fontsize=12, loc='best')
plt.ylim(0, 1.05)  # 发射率范围0-1.05（留出余量）
plt.xlim(wl_min, wl_max)

# 保存图片（高分辨率）
plt.tight_layout()
# plt.savefig('PDMS_emissivity_spectrum.png', dpi=300, bbox_inches='tight')
plt.show()

# -----------------------------
# 5. 输出关键波段（8-13μm）的平均发射率（若数据覆盖该波段）
# -----------------------------
if wl_min <= 13 and wl_max >= 8:
    print("=== 8-13 μm 大气窗口平均发射率 ===")
    wl_window = np.linspace(8, 13, 500)  # 大气窗口内的波长点
    for d in thicknesses:
        n_window = cs_n(wl_window)
        k_window = cs_k(wl_window)
        epsilon_window = thin_film_emissivity(n_window, k_window, d, wl_window)
        avg_epsilon = np.mean(epsilon_window)
        print(f"厚度 {d} μm: 平均发射率 = {avg_epsilon:.4f}")
else:
    print("数据未覆盖8-13μm大气窗口，跳过该波段平均发射率计算。")