A mudança da superfície terrestre é um dos principais objetos de estudo no campo do sensoriamento remoto. Compreender as leis da evolução da superfície terrestre ao longo do tempo é uma tarefa longa e árdua na pesquisa de observação da Terra, com impacto profundo em vários campos, como recursos naturais, meio ambiente, prevenção e mitigação de desastres. No entanto, devido à complexidade dos fatores motores da mudança de superfície e seus mecanismos de ação, a modelagem do processo dinâmico de mudança de superfície é frequentemente simplificada ou local, dificultando a formação de modelos físicos completos e de expressões matemáticas. Do ponto de vista metodológico, com o rápido desenvolvimento recente dos grandes dados e dos métodos AI for Science, os métodos de modelagem de sistemas dinâmicos orientados por dados têm avançado rapidamente, podendo construir diretamente a partir de sequências de dados observacionais modelos com alta concordância, servindo como aproximações de alta fidelidade ou até substitutos dos modelos físicos. Este artigo revisa três categorias de métodos orientados por dados para modelagem dos processos dinâmicos de mudança de superfície, nomeadamente decomposição modal espaço-temporal, inversão da equação diferencial parcial dominante e redes de descoberta de variáveis de estado. Estas três categorias de métodos são utilizadas para modelar séries temporais de imagens de sensoriamento remoto e a avaliação da precisão da modelagem é realizada através da previsão de imagens de séries temporais. Os resultados experimentais preliminares verificam a eficácia dos métodos de modelagem orientados por dados, exibindo as características, o valor de pesquisa e as perspectivas de aplicação de cada método.

dinâmica da superfície; série temporal; modelagem de processos; decomposição modal; equações diferenciais parciais; autoencoders; orientado por dados; regressão esparsa