Veränderungen der Erdoberfläche sind eines der Hauptforschungsobjekte im Bereich der Fernerkundung. Das Verständnis der Gesetzmäßigkeiten der zeitlichen Entwicklung der Erdoberfläche ist eine langfristige und schwierige Aufgabe in der Erdbeobachtungsforschung und hat weitreichende Auswirkungen in vielen Bereichen wie natürlichen Ressourcen, Umwelt, Katastrophenprävention und -minderung. Aufgrund der Komplexität der treibenden Faktoren und Wirkmechanismen der Oberflächenveränderungen ist die Modellierung des dynamischen Veränderungsprozesses der Erdoberfläche meist vereinfacht oder lokal, was die vollständige physikalische Modellbildung und mathematische Formeln erschwert. Methodisch betrachtet haben sich mit der schnellen Entwicklung von Big Data und AI for Science in den letzten Jahren datengesteuerte Methoden zur Modellierung dynamischer Entwicklungssysteme schnell entwickelt, die direkt anhand von Beobachtungsdatensequenzen datengetriebene Modelle mit hoher Übereinstimmung erstellen können, die als hochgenaue Approximationen oder gar Ersatz für physikalische Modelle dienen. Dieser Artikel fasst drei Arten von datengesteuerten Methoden für die Modellierung dynamischer Prozesse der Erdoberflächenveränderung zusammen: spatiotemporale modale Zerlegung, Inversion dominanter partieller Differentialgleichungen und Netzwerke zur Entdeckung von Zustandsvariablen. Diese drei Methoden werden zur Modellierung von Fernerkundungsbilder-Zeitreihen verwendet und die Modellierungsgenauigkeit wird durch die Vorhersage von Zeitreihenbildern beurteilt. Die experimentellen Ergebnisse bestätigen vorläufig die Wirksamkeit datengesteuerter Modellierungsmethoden und zeigen die Eigenschaften, den Forschungswert und die Anwendungsperspektiven der drei Methoden auf.

Oberflächendynamik; Zeitreihen; Prozessmodellierung; modale Zerlegung; partielle Differentialgleichungen; Autoencoder; datengesteuert; spärliche Regression