Der Zugang zu reichlich verfügbaren Erdbeobachtungsdaten ermöglicht die Entwicklung neuer prädiktiver Methoden zur Vorhersage klimatischer Auswirkungen auf den Zustand und die Gesundheit terrestrischer Ökosysteme. In dieser Studie untersuchen wir die räumlich-temporalen Variabilitäten der Oberflächenreflektanz und der Vegetationsgrüne, wobei wir die Dichte grüner Vegetation und die Fläche aktiver Laubblätter unter Berücksichtigung des aktuellen und vergangenen Klimas sowie der lokalen Topographie messen. Wir trainieren zwei alternative rekurrente tiefgreifende Lernmodelle, die auf konvolutionellen Schichten basieren, um die räumlich aufgelösten Abweichungen der Oberflächenreflektanz über ein heterogenes Landschaftsgebiet von einem vorgegebenen Ausgangszustand (Baseline-Framework) vorherzusagen. Wir zeigen die Effizienz des Baseline-Frameworks hinsichtlich der Konvergenzgeschwindigkeit beim Training. Unter Verwendung von Daten aus diversen Ökosystemen und Landnutzungsarten in Europa und unter Anwendung eines standardisierten Evaluierungsrahmens für Modelle (EarthNet2021 Challenge) ergeben sich erhöhte Vorhersageleistungen für die Oberflächengrünheit während Dürreereignissen im Vergleich zu derzeit veröffentlichten Benchmarks. Unsere Ergebnisse verdeutlichen, wie tiefgreifende Lernverfahren eine Frühwarnung für vegetative Reaktionen auf klimatische Extremereignisse, wie etwa den durch Dürre verursachten Verlust an grünem Laub, ermöglichen.