Die Veränderung der Erdoberfläche ist eines der Schlüsselthemen in der Fernerkundung, und das Verständnis der Entwicklung der Erdoberfläche im Laufe der Zeit ist eine langwierige und schwierige Aufgabe in der Studie der Erdbeobachtung und hat tiefgreifende Auswirkungen auf viele Bereiche wie natürliche Ressourcen, Umwelt, Katastrophen und Risikominderung. Aufgrund der Komplexität der Faktoren für die Veränderungen der Erdoberfläche und der Mechanismen ihres Wirkens sind die meisten Modelle für dynamische Veränderungen der Erdoberfläche in der Regel vereinfacht oder lokal und es ist schwierig, ein vollständiges physikalisches Modell und einen mathematischen Ausdruck zu bilden. Aus methodischer Sicht entwickeln sich die datengetriebenen Modellierungsmethoden für evolutionäre Systeme mit der schnellen Entwicklung von Big Data und AI-Methoden für die Wissenschaft dynamisch und können direkt eine Sequenz beobachteter Daten nutzen, um ein Datenmodell mit hoher Anpassungsgenauigkeit zu erstellen, sei es als exakte Annäherung an ein physikalisches Modell oder sogar als Ersatz. Dieser Artikel untersucht drei Kategorien von datenbasierten Methoden zur Modellierung von dynamischen Veränderungen der Erdoberfläche, nämlich räumlich-zeitliche Modalzerlegung, Hauptpartielle Differentialgleichungen und Entdeckung von Zustandsvariablen im Netzwerk, von denen jede zur Modellierung von zeitlichen Bildreihen von Fernerkundungsbildernverwendet wird und die Genauigkeit des Modellierens durch Vorhersage der zeitlichen Bildreihen bewertet wird. Die experimentellen Ergebnisse bestätigen vorläufig die Wirksamkeit der datenbasierten Modellierungsmethoden, zeigen die Merkmale jeder Methode und ihren Wert sowie ihre Anwendungsperspektiven.

Erddynamik; Zeitreihen; Prozessmodellierung; Modale Zerlegung; Hauptpartielle Differentialgleichung; Autoencoder; Datenbasierte Modelle; Knausrige Regression