Die Veränderungen der Erdoberfläche sind eines der Hauptforschungsobjekte auf dem Gebiet der Fernerkundung, und das Verständnis der Gesetzmäßigkeiten der Entwicklung der Oberfläche im Laufe der Zeit ist eine langfristige und schwierige Aufgabe in den Überwachungsstudien für natürliche Ressourcen, die biologische Umwelt, Katastrophen und hat weitreichende Auswirkungen. Aufgrund der Komplexität von Veränderungsfaktoren und Mechanismen der Bodenveränderungen ist die Modellierung der dynamischen Bodenoberfläche oft vereinfacht oder lokal, was die Schaffung eines vollständigen physikalischen Modells oder mathematischer Gleichungen erschwert. Aus methodischer Sicht entwickeln sich die datengetriebenen Modellierungsmethoden dynamischer Systeme in den letzten Jahren mit der schnellen Entwicklung von Big Data und KI für die Wissenschaft rasch, so dass direkt aus Beobachtungsdaten-Sequenzen hochkompatible Datenmodelle als effektives Datenmodell erstellt werden können, mit hoher Treue zu einem physikalischen Modell oder sogar um es zu ersetzen. In diesem Artikel werden drei Arten von datenbasierten Modellierungsmethoden für die Dynamik der Bodenveränderungen vorgestellt: die raumzeitliche modale Zerlegung, inverse partielle Differentialgleichungen und die Entdeckung von Zustandsvariablen im Netzwerk, wobei diese drei Methoden zur Modellierung von zeitlichen Bildreihen aus der Fernerkundung eingesetzt und die Genauigkeit der Modellierung bewertet werden, und die vorläufigen Ergebnisse der Experimente die Wirksamkeit der datenbasierten Modellierungsmethoden validiert haben, die jeweils die einzigartigen Merkmale, den wissenschaftlichen Wert und die Anwendungsperspektiven zeigen.

Bodendynamik;Zeitreihe;Prozessmodellierung;modale Zerlegung;differenzielle Gleichung;autoencoder;Datenmodellierung;spärliche Regression