使用TF.io.TFRecordWriter写入影像在GEE中出现异常瓦片问题

TFRecordWriter是严格按照你遍历train_predictions的顺序逐个写入瓦片的，要确认这个顺序，可以用以下几种方式：

• 给每个TFRecord Example添加索引字段
  修改写入代码，为每个patch添加唯一的索引值，后续读取时直接查看索引即可确认顺序：

  filename = 'test.TFRecord'
  
  with tf.io.TFRecordWriter(filename) as writer:
      for idx, predictionPatch in enumerate(train_predictions):
          image_shape = predictionPatch.shape
          example = tf.train.Example(
              features=tf.train.Features(
                  feature={
                      'ag_or_not': tf.train.Feature(
                          float_list=tf.train.FloatList(value=predictionPatch.flatten())),
                      'patch_index': tf.train.Feature(
                          int64_list=tf.train.Int64List(value=[idx])
                      )
                  }
              )
          )
          writer.write(example.SerializeToString())
  

  读取TFRecord时，解析patch_index字段就能直接得到每个瓦片的写入顺序。

• 读取已生成的TFRecord并验证顺序
  如果已经生成了TFRecord文件，可编写读取代码，将读取到的瓦片与原始train_predictions的元素逐一对比：

  def parse_example(example_proto):
      feature_description = {
          'ag_or_not': tf.io.FixedLenFeature([], tf.string),
          # 若之前添加了索引，需加上下面的字段
          # 'patch_index': tf.io.FixedLenFeature([], tf.int64),
      }
      parsed_features = tf.io.parse_single_example(example_proto, feature_description)
      # 替换为你实际的patch尺寸，比如(256,256,1)
      patch = tf.io.decode_raw(parsed_features['ag_or_not'], tf.float32)
      patch = tf.reshape(patch, (256, 256, 1))
      return patch
  
  # 读取TFRecord数据集
  dataset = tf.data.TFRecordDataset('test.TFRecord')
  dataset = dataset.map(parse_example)
  
  # 对比读取顺序与原始顺序
  for read_idx, read_patch in enumerate(dataset):
      original_patch = train_predictions[read_idx]
      if not tf.reduce_all(tf.equal(read_patch, original_patch)):
          print(f"第{read_idx}个瓦片顺序不匹配")
  

• 检查train_predictions的生成顺序
  写入顺序完全由train_predictions的遍历顺序决定，因此可以在写入前，打印每个瓦片的标识信息（比如固定位置的像素值、生成时的地理坐标），确认这些标识的顺序是否与你预期的GEE瓦片分块顺序一致——这也是解决导出后瓦片错乱问题的核心，若train_predictions本身顺序就与GEE的瓦片顺序不匹配，导出后必然会出现错位。

内容的提问来源于stack exchange，提问作者Sean Carter