Les changements de la surface terrestre sont l'un des objets de recherche majeurs dans le domaine de la télédétection. Comprendre les lois de l'évolution de la surface terrestre dans le temps est une tâche longue et ardue dans la recherche d'observation terrestre, ayant un impact profond dans de nombreux domaines tels que les ressources naturelles, l'environnement écologique, la prévention et la réduction des catastrophes. Cependant, en raison de la complexité des facteurs moteurs du changement de surface et de leurs mécanismes d'action, la modélisation des processus dynamiques de changement de surface est généralement simplifiée ou locale, rendant difficile la formation de modèles physiques complets ou de formulations mathématiques. D'un point de vue méthodologique, avec le développement rapide ces dernières années des mégadonnées et des méthodes AI for Science, les méthodes de modélisation des systèmes dynamiques basées sur les données évoluent rapidement, permettant de construire directement à partir des séquences de données d'observation des modèles à haute fidélité, en tant qu'approximations précises voire substituts des modèles physiques. Cet article passe en revue trois catégories de méthodes basées sur les données utilisables pour la modélisation des processus dynamiques de changement de surface, à savoir la décomposition modale spatio-temporelle, l'inversion des équations aux dérivées partielles dominantes, et les réseaux de découverte des variables d'état. Ces trois méthodes sont utilisées pour modéliser les séries temporelles d'images de télédétection et l'évaluation de la précision de modélisation se fait par la prédiction des images des séries temporelles. Les résultats expérimentaux confirment initialement l'efficacité des méthodes de modélisation basées sur les données, montrant les caractéristiques, la valeur de la recherche et les perspectives d'application de chaque méthode.

dynamique de surface; série temporelle; modélisation de processus; décomposition modale; équations aux dérivées partielles; autoencodeur; piloté par les données; régression parcimonieuse