用于定量植被科学的云原生地球观测：架构、工作流与科学启示

卫星地球观测（EO）数据在体量、时间密度和多样性上的不断增长，从根本上改变了定量植被遥感。密集的多传感器时间序列和计算密集型建模使得传统的“下载后处理”工作流变得越来越不切实际。因此，云原生计算——即数据访问、存储和计算协同定位，并在靠近数据的环境中执行分析——已成为可扩展且可复现的植被EO分析的关键范式。本综述对用于定量植被研究的云原生EO进行了面向科学的系统性总结。我们探讨了塑造植被分析如何实施、扩展和进行科学解释的架构原则、数据模型和计算模式。特别关注了作为系统组件的机器学习，包括分布式环境下的模型全生命周期管理、域迁移以及评估完整性。我们分析了云原生数据抽象如何影响算法假设、验证设计和长期产品一致性，重点强调了分析复杂性、计算成本、延迟与科学鲁棒性之间的权衡。我们对新兴的成像光谱任务以及在大洲至全球尺度上对可复现、可扩展且具有不确定性感知能力的植被分析日益增长的系统级需求提供了前瞻性视角。我们还概述了云原生EO基础设施如何推动基于持续监测、系统性重处理和AI驱动建模的新科学范式。