El cambio de la superficie terrestre es uno de los principales objetos de estudio en el campo de la teledetección. Comprender las leyes de la evolución temporal de la superficie terrestre es una tarea prolongada y compleja en la investigación de la observación de la Tierra, con un profundo impacto en numerosos campos como los recursos naturales, el medio ambiente, y la prevención y mitigación de desastres. Sin embargo, debido a la complejidad de los factores impulsores del cambio de superficie y sus mecanismos de acción, la modelación del proceso dinámico de cambio de superficie suele ser simplificada o local, lo que dificulta la formación de modelos físicos completos y expresiones matemáticas. Desde un punto de vista metodológico, con el rápido desarrollo reciente de los grandes datos y los métodos de IA para la Ciencia, los métodos de modelado dinámico impulsados por datos han avanzado rápidamente, pudiendo construir directamente a partir de secuencias de datos de observación modelos de alta concordancia que sirven como aproximaciones de alta fidelidad o incluso sustitutos de los modelos físicos. Este artículo revisa tres tipos de métodos impulsados por datos para modelar procesos dinámicos de cambio de superficie: descomposición modal espacio-temporal, inversión de ecuaciones en derivadas parciales principales y redes de descubrimiento de variables de estado. Estas tres clases de métodos se utilizan para modelar series temporales de imágenes de teledetección y se evalúa la precisión del modelado mediante la predicción de imágenes en la serie temporal. Los resultados experimentales preliminares verifican la efectividad de los métodos de modelado impulsados por datos, mostrando las características, el valor de la investigación y las perspectivas de aplicación de cada método.

dinámica de superficie; series temporales; modelado de procesos; descomposición modal; ecuaciones en derivadas parciales; codificador automático; impulsado por datos; regresión escasa