第一章：从乐理到字节：五线谱建模的范式跃迁
传统乐理教学中，五线谱是视觉化音乐语义的黄金标准——音高由线间位置决定，时值由符干、符尾与休止符形态承载，调号与拍号构成上下文约束。然而当音乐进入数字工作流，这种高度符号化、依赖人类视觉解析的表示方式，在机器理解、批量处理与算法生成层面暴露出结构性瓶颈：它不是数据，而是图像；不是序列，而是二维排版。
符号语义的结构化解构
现代音乐信息学将五线谱解耦为三层正交维度：
- 音高层：采用MIDI音符编号（0–127）或科学音高记号（如
A4 = 440 Hz），消除谱面位置歧义； - 时值层：以四分音符为单位的浮点数时长（如
0.5表示八分音符），支持三连音等非整除节奏； - 上下文层：独立存储调号（
key: "G"）、拍号（time_signature: [3, 4]）、速度（tempo: 120）等元数据。
从图像到结构化数据的转换实践
使用 music21 库可将扫描乐谱PDF或MusicXML文件解析为可编程对象：
from music21 import converter, note
# 加载标准MusicXML乐谱（非图像！）
score = converter.parse("beethoven_op27_no2.xml") # 非OCR识别，直接解析语义
# 提取首小节所有音符的MIDI编号与时值（四分音符为1.0）
for n in score.flat.notes:
print(f"音符: {n.nameWithOctave}, MIDI: {n.pitch.midi}, 时值: {n.duration.quarterLength}")
# 输出示例：音符: C4, MIDI: 60, 时值: 1.0⚠️ 注意：该流程要求输入为结构化格式（MusicXML、MIDI、ABC），而非JPEG/PNG图像——后者需先经OMR（光学乐谱识别）工具如
Audiveris或DeepScore转译，此过程存在约8–15%的符号误识率，凸显“原生结构化输入”的工程价值。
五线谱建模范式的本质迁移
| 维度 | 传统范式 | 数字范式 |
|---|---|---|
| 表达载体 | 印刷/手写二维图形 | JSON/XML/二进制序列 |
| 语义绑定 | 位置隐含音高（如第三线=G） | 显式字段 pitch.midi = 67 |
| 可计算性 | 依赖人工读谱 | 支持自动转调、节拍分析、和声检测 |
这一跃迁并非简单格式转换，而是将音乐从“被观看的文本”重构为“可执行的指令集”——每个音符成为携带完整物理与语法属性的数据节点，为后续AI作曲、实时交互演奏与跨模态音乐理解奠定底层契约。
第二章：AST层——乐谱语义的Go结构化表达
2.1 音符、休止符与拍号的结构体建模与MIDI映射
音乐元素需在程序中精确表征。核心结构体设计如下：
#[derive(Debug, Clone)]
pub struct Note {
pub pitch: u8, // MIDI音符编号（0–127），如60 = C4
pub duration: f32, // 四分音符为1.0，八分音符为0.5
pub velocity: u8, // 力度（0–127），0表示静音（等效休止符）
}
#[derive(Debug, Clone)]
pub struct TimeSignature {
pub numerator: u8, // 拍号分子（如4/4中的4）
pub denominator: u8, // 拍号分母（如4/4中的4，代表四分音符为一拍）
}Note::velocity == 0 是休止符的语义约定，避免冗余类型；duration 以四分音符为单位，与MIDI时序无缝对齐。
| 元素 | MIDI映射方式 | 示例 |
|---|---|---|
| 音符C4 | pitch = 60 |
键盘中央C |
| 四分休止符 | pitch=60, velocity=0 |
逻辑静音 |
| 3/4拍号 | numerator=3, denominator=4 |
每小节3个四分音符 |
graph TD
A[Note结构体] --> B[解析pitch→MIDI消息]
A --> C[velocity=0→跳过NoteOn]
D[TimeSignature] --> E[计算每小节总时长：numerator × 4/denominator]2.2 小节容器与声部树的设计：支持多声部嵌套与跨小节连线
小节容器（MeasureContainer）作为乐谱时序骨架，需承载任意深度嵌套的声部节点，并支撑连线跨越小节边界。
声部树结构设计
- 每个
VoiceNode可挂载子VoiceNode，形成树形结构 crossMeasureSpan标志位启用跨小节连线能力- 父容器统一管理子声部的时值对齐与渲染坐标映射
核心数据结构示意
interface VoiceNode {
id: string;
duration: number; // 总时值（四分音符为1）
children: VoiceNode[]; // 支持嵌套声部
crossMeasureSpan: boolean; // 是否参与跨小节连线
}duration 用于时值归一化对齐；crossMeasureSpan 触发连线渲染器跳过小节边界裁剪逻辑。
渲染协调流程
graph TD
A[MeasureContainer.update()] --> B[遍历VoiceNode树]
B --> C{crossMeasureSpan?}
C -->|是| D[合并相邻小节的连线锚点]
C -->|否| E[按本地小节范围渲染]| 属性 | 类型 | 说明 |
|---|---|---|
id |
string | 全局唯一声部标识 |
duration |
number | 归一化时值，影响横向布局缩放 |
2.3 调号与临时记号的上下文敏感解析（Key Signature Propagation）
音乐符号解析器需在音符流中动态维护调性上下文，避免将临时升号（♯）误判为调号固有成分。
数据同步机制
调号变更触发全局上下文广播，后续音符按最新调号+局部临时记号双重修正：
def apply_contextual_pitch(note, current_key_sig, accidental_override):
# current_key_sig: {'F': 1, 'C': 1} 表示G大调（F♯, C♯）
# accidental_override: '♯'/'♭'/None（显式临时记号）
base_pitch = note.pitch % 12
key_offset = current_key_sig.get(note.name, 0) # 调号预设偏移
acc_offset = {'♯': 1, '♭': -1}.get(accidental_override, 0)
return (base_pitch + key_offset + acc_offset) % 12current_key_sig 以字典形式映射音名到半音偏移量；accidental_override 优先级高于调号，实现“临时覆盖”。
解析优先级规则
- 调号作用于小节内所有同名音（除非被临时记号取消）
- 临时记号仅影响当前小节、当前音名后续出现
| 场景 | 解析结果 |
|---|---|
| G调中出现 C♯ | C→C♯（调号生效） |
| G调中出现 C♮ | C→C（临时还原） |
graph TD
A[读取调号] --> B{小节起始？}
B -->|是| C[载入调号映射]
B -->|否| D[继承上一小节调号]
C & D --> E[逐音符应用临时记号覆盖]2.4 AST验证器：基于乐理规则的编译期静态检查（如拍号合规性、音高越界检测）
AST验证器在语法树生成后、代码生成前介入，对音乐语义施加强约束。
验证阶段职责
- 检查
TimeSignatureNode的分子是否 ∈ {2,3,4,6,9,12}，分母是否为2的幂次（1,2,4,8,16） - 校验
NoteNode.pitch是否在标准钢琴音域内（MIDI 21–108） - 捕获跨小节音符时长总和与拍号不匹配的错误
拍号合规性校验代码
def validate_timesig(node: TimeSignatureNode) -> List[Diagnostic]:
valid_numerators = {2, 3, 4, 6, 9, 12}
valid_denominators = {1, 2, 4, 8, 16}
diags = []
if node.numerator not in valid_numerators:
diags.append(Diagnostic("ERR_TIMESIG_NUM", f"非法拍号分子: {node.numerator}"))
if node.denominator not in valid_denominators:
diags.append(Diagnostic("ERR_TIMESIG_DEN", f"非法拍号分母: {node.denominator}"))
return diags逻辑分析：函数接收AST中的拍号节点，分别校验分子与分母集合成员关系；返回诊断列表供编译器报告。参数 node.numerator 和 node.denominator 来自解析器构建的结构化AST节点，确保验证与语法无关、仅依赖语义属性。
音高越界检测流程
graph TD
A[遍历NoteNode] --> B{pitch < 21?}
B -->|是| C[添加ERR_PITCH_UNDER]
B -->|否| D{pitch > 108?}
D -->|是| E[添加ERR_PITCH_OVER]
D -->|否| F[通过]2.5 Go泛型驱动的乐谱节点遍历框架：Visitor与Transformer接口实现
乐谱结构天然具有树形嵌套特征（如 Score → Movement → Section → Measure → Note），泛型使遍历逻辑彻底解耦于具体节点类型。
核心接口设计
type Visitor[T any] interface {
Visit(node *T) error
}
type Transformer[T, U any] interface {
Transform(node *T) (*U, error)
}Visitor[T] 支持对任意节点类型 *T 执行副作用操作（如渲染、校验）；Transformer[T,U] 实现类型安全的节点映射，例如 *Note → *MidiEvent。
泛型遍历器示例
func Traverse[T any](root *T, v Visitor[T], children func(*T) []*T) error {
if err := v.Visit(root); err != nil {
return err
}
for _, child := range children(root) {
if err := Traverse(child, v, children); err != nil {
return err
}
}
return nil
}children 函数作为策略参数，动态提取任意节点的子节点切片，避免继承或反射，兼顾性能与扩展性。
| 能力 | Visitor | Transformer |
|---|---|---|
| 类型安全 | ✅ | ✅ |
| 结构修改 | ❌（只读访问） | ✅（返回新节点） |
| 中断遍历 | 通过 error 实现 | 同上 |
graph TD
A[Traverse] --> B{Visit root}
B --> C[children(root)]
C --> D[Recursively Traverse each child]第三章：Layout层——空间逻辑的确定性排版引擎
3.1 基于约束求解的水平间距分配：避免符干碰撞与符尾重叠
在自动制谱中，音符水平位置需满足多重几何约束：符干不可穿透相邻音符、同拍符尾不得重叠、符头间距须大于最小可读阈值。
核心约束建模
|x_i − x_j| ≥ w_i/2 + w_j/2 + δ（符头最小间隔）x_stem_i + d ≤ x_note_j（符干右边界不侵入右侧符头）y_tail_i == y_tail_j ⇒ |x_tail_i − x_tail_j| ≥ ε（同高符尾强制分离）
约束求解流程
from ortools.sat.python import cp_model
model = cp_model.CpModel()
x = [model.NewIntVar(0, 2000, f"x_{i}") for i in range(n_notes)]
# 添加符干不碰撞约束（示例：第2音符符干宽8px，右延至x[2]+8）
model.Add(x[2] + 8 <= x[3]) # 防止侵入第3音符左边界
solver = cp_model.CpSolver()
status = solver.Solve(model)逻辑分析：
x[2] + 8 <= x[3]将符干物理延伸建模为硬约束；8为符干像素宽度（含抗锯齿余量），x[3]是右侧音符左对齐基准点。求解器自动回溯调整所有x[i]，保障全局可行性。
关键参数对照表
| 参数 | 含义 | 典型值 | 单位 |
|---|---|---|---|
δ |
符头最小间隙 | 12 | CSS px |
d |
符干右偏移量 | 8 | CSS px |
ε |
同高符尾隔离阈值 | 6 | CSS px |
graph TD
A[输入音符序列] --> B[提取y坐标与符干方向]
B --> C[生成几何约束集]
C --> D{CP求解器}
D -->|可行| E[输出最优x坐标]
D -->|不可行| F[松弛δ并重试]3.2 纵向对齐策略：符头基线统一、连音线弧度参数化与声部垂直偏移计算
音乐排版引擎需确保多声部在垂直空间中语义清晰、视觉平衡。核心挑战在于协调符头定位、连音线形态与声部层级关系。
符头基线统一
所有音符符头强制锚定至同一逻辑基线（staff-line-0），消除字体渲染差异导致的浮动：
.notehead {
transform: translateY(calc(var(--line-height) * (4 - var(--pitch-step))));
/* --pitch-step: MIDI音高映射到五线谱线号（0=下加一线，4=三线） */
/* --line-height: 单线间距（px），默认 16px */
}该变换将音高离散化为整数步进，保障跨字体一致性。
连音线弧度参数化
采用三次贝塞尔曲线建模，控制点由跨度与声部密度动态生成：
| 参数 | 含义 | 典型值 |
|---|---|---|
tension |
弧度张力系数 | 0.3–0.7 |
vertical-gap |
跨声部时Y向抬升量（px） | 8 + 2 × overlap_count |
声部垂直偏移计算
const offset = baseOffset + voiceIndex * 24 - collisionBuffer;
// baseOffset: 主声部基准Y（px）
// voiceIndex: 声部序号（0起始）
// collisionBuffer: 基于相邻符干长度的动态避让量逻辑上先锚定基线，再按声部叠加偏移，最后以碰撞检测微调——形成“约束→布局→修正”三级对齐链。
3.3 分页与换行算法：基于“最小代价断点”的小节流式切分（Dynamic Programming实现）
传统硬截断易导致标题孤立、代码截断或图表撕裂。动态规划将切分建模为序列决策问题：对文本块序列 $b_1, b_2, …, b_n$，定义 dp[i] 为前 i 块的最小累积排版代价。
核心状态转移
dp[i] = min{ dp[j] + cost(j+1, i) for j in range(i) }
# cost(j+1,i): 将块 j+1..i 放入同一页的惩罚值（如：超长、跨栏、孤行）cost() 综合评估高度溢出、标题后无正文、代码行断裂等语义违例；dp[0] = 0 为边界。
代价函数关键维度
| 维度 | 权重 | 触发条件 |
|---|---|---|
| 高度溢出像素 | 10× | 当前页剩余空间 |
| 孤立标题 | 8× | 块以 h2 开头且下一块非 p |
| 代码行截断 | 15× | pre > code 中行被切在中间 |
回溯路径生成分页点
graph TD
A[dp[0]=0] --> B[dp[1]=cost(1,1)]
B --> C[dp[2]=min(dp[0]+cost(1,2), dp[1]+cost(2,2))]
C --> D[...]第四章：Glyph层——符号渲染的矢量语义抽象
4.1 SMuFL兼容字体解析器：从OpenType GSUB/GPOS表提取音乐符号形变规则
SMuFL（Standard Music Font Layout）规范依赖OpenType高级排版表实现上下文敏感的符号替换与定位。解析器需精准遍历GSUB的LookupType=1（单重替换）与LookupType=4（上下文替换），以及GPOS中LookupType=2（成对调整）规则。
核心解析流程
# 提取GSUB中所有上下文替换规则（LookupType=4）
for lookup in gsub.lookups:
if lookup.LookupType == 4: # Contextual substitution
for subtable in lookup.SubTable:
# subtable.Format ∈ {1,2,3}：分别对应glyph ID序列、class-based、coverage-based上下文
parse_context_substitution(subtable)该代码定位上下文替换子表；Format=2支持按字形类分组（如“所有符干类”→“所有附点类”），显著压缩SMuFL中noteheadBlack在不同连音线环境下的变体规则。
关键字段映射表
| 字段 | OpenType结构 | SMuFL语义 |
|---|---|---|
Coverage |
Glyph ID数组 | 符号基础形（如noteheadBlack） |
ClassDef |
类别索引映射 | 音乐语义类（stem, dot, accidental） |
PosFormat=1 |
XAdvance偏移 | 符号间距微调（如附点右移0.3em） |
graph TD
A[读取OTF文件] --> B[解析GSUB.LookupList]
B --> C{LookupType==4?}
C -->|是| D[解析ContextSubstFormat2]
C -->|否| E[跳过]
D --> F[构建SMuFL形变规则树]4.2 符号组合引擎：符干+符头+符尾+附点的运行时合成与缓存机制
符号组合引擎采用分层合成策略，将乐谱基本符号解耦为可复用的原子组件：符头（notehead）、符干（stem）、符尾（flag/beamed tail）和附点（dot），在渲染时动态拼接。
合成流程
- 符干决定垂直方向与长度，受音高、声部及连谱线影响
- 符头绑定到符干顶端/底端，支持实心/空心/交叉等样式
- 符尾根据时值动态生成（如八分音符→1尾，十六分→2尾）
- 附点始终置于符头右下方，偏移量经像素对齐校正
缓存策略
| 键类型 | 示例键 | 失效条件 |
|---|---|---|
| 组合键 | STEM_UP+HEAD_FILLED+TAIL_2+DOT |
字体缩放变化 |
| 原子键 | HEAD_FILLED@14px |
DPI切换 |
// 符号合成核心函数（带LRU缓存）
function composeSymbol(spec: SymbolSpec): CanvasPath {
const key = generateCacheKey(spec); // 基于spec字段哈希
if (cache.has(key)) return cache.get(key)!;
const path = new Path2D();
path.addPath(renderStem(spec.stem)); // 参数：方向、长度、粗细
path.addPath(renderHead(spec.head)); // 参数：类型、尺寸、位置锚点
path.addPath(renderTail(spec.tail)); // 参数：数量、曲率、连接点
if (spec.dot) path.addPath(renderDot()); // 参数：相对偏移、半径
cache.set(key, path);
return path;
}该实现通过结构化键确保相同语义符号复用同一路径对象，避免重复Canvas路径构造开销。缓存容量限制为512项，采用最近最少使用（LRU）淘汰策略。
graph TD
A[SymbolSpec输入] --> B{缓存命中？}
B -- 是 --> C[返回缓存Path2D]
B -- 否 --> D[逐组件渲染]
D --> E[路径合并]
E --> F[写入缓存]
F --> C4.3 连音线与延音线的贝塞尔曲线生成：控制点自适应拟合与抗锯齿预处理
音乐符号渲染中，连音线（slur）与延音线（tie）需在任意音符间距下保持视觉平滑与语义准确。核心挑战在于：控制点位置随起止音符坐标、方向及间距动态变化，且光栅化前需抑制边缘锯齿。
控制点自适应策略
基于三次贝塞尔曲线 $B(t) = (1-t)^3P_0 + 3(1-t)^2tP_1 + 3(1-t)t^2P_2 + t^3P_3$，其中 $P_0$、$P_3$ 为端点，$P_1$、$P_2$ 由以下规则生成：
- 水平偏移量 = $0.35 \times \text{distance}(P_0,P_3)$
- 垂直偏移量 = $0.22 \times \text{distance}(P_0,P_3) \times \text{curvature_factor}$（默认1.0，高音区微调为0.85）
def compute_control_points(p0, p3, curvature=1.0):
dx, dy = p3[0] - p0[0], p3[1] - p0[1]
dist = (dx**2 + dy**2)**0.5
offset_x = 0.35 * dist
offset_y = 0.22 * dist * curvature
# P1: 向右上偏移（弧线上凸）
p1 = (p0[0] + offset_x, p0[1] - offset_y)
# P2: 向左上偏移（对称约束）
p2 = (p3[0] - offset_x, p3[1] - offset_y)
return [p0, p1, p2, p3]逻辑分析：
p1和p2不直接取中点法线方向，而采用固定比例偏移，兼顾计算效率与曲率连续性；curvature参数支持乐谱风格切换（如巴洛克谱面更扁平）。
抗锯齿预处理流程
- 使用 supersampling（2×2）提升采样密度
- 曲线路径经 alpha 覆盖率映射后，再降采样至目标分辨率
| 阶段 | 输入 | 输出 | 关键操作 |
|---|---|---|---|
| 几何生成 | 音符坐标、声部信息 | 4点贝塞尔控制序列 | 自适应偏移计算 |
| 路径光栅化 | 控制点、线宽 | 亚像素覆盖率图 | 8×超采样 + 高斯加权 |
| 合成输出 | 覆盖率图、背景色 | 抗锯齿连音线位图 | Alpha混合（premultiplied） |
graph TD
A[音符坐标对] --> B[自适应控制点计算]
B --> C[贝塞尔路径采样]
C --> D[2×2超采样覆盖率评估]
D --> E[双线性降采样+Gamma校正]
E --> F[最终抗锯齿连音线]4.4 Glyph坐标系转换：从逻辑单位（LUs）到设备无关像素（DIP）的精确缩放管道
Glyph渲染需在跨设备场景下保持视觉一致性，核心在于将字体度量中的逻辑单位（Logical Units, LUs）无损映射至设备无关像素（DIP）。该转换非简单线性缩放，而是一条受DPI感知、字体缩放因子及系统UI缩放策略协同调控的确定性管道。
转换公式与关键参数
// DIP = LU × (dpi / 96.0) × uiScaleFactor
float ConvertLuToDip(int lu, float dpi, float uiScaleFactor = 1.0f)
{
return lu * (dpi / 96.0f) * uiScaleFactor; // 96 DPI为DIP基准分辨率
}lu：字体设计时定义的整数逻辑坐标（如em-square内轮廓点）dpi：当前显示设备物理DPI（如225 on Surface Laptop Studio）uiScaleFactor：OS级UI缩放比（125% → 1.25），确保高DPI下文本可读性不降级
缩放阶段依赖关系
| 阶段 | 输入 | 输出 | 控制主体 |
|---|---|---|---|
| 设计空间 | Font metrics (LU) | Normalized LUs | 字体工程师 |
| 系统适配 | DPI + UI scale | Scaled DIP | OS compositor |
| 渲染管线 | DIP → physical pixels | Subpixel-aligned raster | GPU driver |
执行流程
graph TD
A[Font LU Coordinates] --> B{DPI Detection}
B --> C[Apply UI Scale Factor]
C --> D[Round to Nearest DIP]
D --> E[Subpixel Hinting Engine]第五章：Raster层落地与开源生态演进
开源Raster引擎在遥感数据处理中的规模化部署
某省级自然资源厅于2023年完成基于GDAL 3.8 + Rasterio 1.3.8 + PostGIS 3.4的全栈Raster服务升级。原有ArcGIS Server集群日均处理SAR影像超2TB，响应延迟平均达17.3秒；迁移至开源栈后，通过启用GDAL的GDAL_CACHEMAX=2048、CPL_VSIL_CURL_USE_HEAD=NO及PostGIS的raster_overviews自动金字塔策略，批量裁切（ST_Clip）与统计（ST_SummaryStatsAgg）任务P95延迟降至2.1秒，资源占用下降64%。关键配置片段如下：
# rasterio读取优化示例
with rasterio.Env(
GDAL_CACHEMAX=2048,
CPL_VSIL_CURL_ALLOWED_EXTENSIONS=[".tif", ".vrt"],
GDAL_HTTP_MERGE_CONSECUTIVE_RANGES=True
):
with rasterio.open("s3://bucket/scene.tif") as src:
data = src.read(1, window=((0, 1024), (0, 1024)))社区驱动的Raster格式兼容性突破
2024年Q1，Cloud Optimized GeoTIFF（COG）规范正式纳入OGC标准草案（OGC 24-002），推动跨平台互操作。开源项目rio-cogeo v4.0实现动态重投影缓存，支持在无本地坐标系定义情况下，通过--web-optimized --resampling lanczos参数直接生成Web Mercator瓦片。实测显示，对Sentinel-2 L2A产品（10m波段），生成12级COG耗时从原生GDAL的48分钟压缩至19分钟，且首次HTTP范围请求（Range Request）响应时间稳定在87ms以内。
开源工具链协同演进图谱
下表汇总核心Raster开源组件近3年关键能力演进节点：
| 组件 | 2022年关键特性 | 2023年突破 | 2024年新范式 |
|---|---|---|---|
| GDAL | 支持Zarr v2读取 | 原生S3 Select加速 | 引入Arrow-based内存传输 |
| Rasterio | MemoryFile支持多线程写入 |
WarpedVRT GPU加速实验版 |
集成rasterio-tiler异步分发 |
| STAC API | 0.9.0基础元数据模型 | 1.0.0+扩展item-search规范 |
stac-server v1.2支持实时Raster流 |
生产环境故障模式与韧性实践
某国家级气象数据中心采用raster-vision构建Landsat-9云掩膜训练流水线，遭遇典型问题：
- 问题：
gdal_translate -of GTiff在处理超大VRT时触发OOM（>64GB） - 解法：改用
rio stack分块合并 +--block-size 512 512参数，配合ulimit -v 40000000硬限制； - 验证：单任务内存峰值压至21GB，失败率从12.7%降至0.3%。
开源Raster生态的商业化反哺路径
商业公司如Planet Labs持续向GDAL贡献Sentinel-1 SAFE解析器补丁；Esri将arcgis-raster中优化的块压缩算法（LERCv2自适应量化）以Apache 2.0协议开源；国内某遥感AI初创企业将其自研的GeoJIT编译器（针对ST_AsRaster SQL执行加速）贡献至PostGIS社区，已在PostGIS 3.5-dev分支合并。该编译器使复杂栅格代数查询（含ST_MapAlgebra嵌套）性能提升3.8倍。
实时Raster流处理架构演进
基于Apache Flink 1.18构建的流式栅格处理管道已部署于长江流域水文监测系统：原始MODIS HDF5数据经flink-connector-hdf5解析为DataStream<RasterTile>，通过KeyedProcessFunction实现逐像元时间序列滑动窗口分析（如NDVI突变检测），结果实时写入TimescaleDB的raster_timeseries超表。端到端延迟控制在4.2秒内（SLA≤5秒），日均处理1.2亿个256×256像素块。
flowchart LR
A[HDF5 Data Stream] --> B[flink-connector-hdf5]
B --> C[DataStream<RasterTile>]
C --> D{KeyedProcessFunction}
D --> E[Sliding Window NDVI Analysis]
E --> F[TimescaleDB Raster Table]
F --> G[GeoServer WMS/WCS]