卫星观测极大推动了地球科学研究，但观测覆盖不均和数据缺失仍限制了对地表动态的捕捉。多模态观测的处理需要大量算力和复杂的配准框架，普通遥感工作者难以直接使用。地球嵌入作为从多源观测中学习到的通用表征，能够在无需任务特定特征设计和预处理的情况下支持多种下游任务。本文首先阐述了地球嵌入的理论基础，包括基于自监督学习的特征抽取和跨模态对齐机制。随后回顾了几类代表性产品，如基于Transformer的全局嵌入、基于卷积自编码器的局部嵌入以及混合时空图网络实现的时序嵌入。接着概述了其在六大遥感子领域的应用：气候监测、土地覆盖变化、植被健康评估、城市扩张、灾害响应和海洋观测。进一步通过四个典型任务——高光谱图像分类、单树冠分割、作物产量预测和地上生物量制图——对比了地球嵌入、原始遥感影像和手工特征的表现。实验显示，地球嵌入在计算效率和跨时空一致性上具备优势，但在某些精细任务上仍不一定优于传统影像或专门设计的特征。因而，嵌入不应被视为传统遥感数据的直接替代，而是提供稳定信息的补充手段。实践中，遥感研究者应先评估嵌入在特定任务上的适配性，再决定是否采用或与其他特征融合使用。\n\n点评：地球嵌入为遥感分析提供了统一的特征框架，降低了数据预处理门槛，但仍需结合任务需求进行慎重选择。