El riesgo en tierra, como uno de los parámetros clave para evaluar el riesgo antes de una operación, juega un papel importante en la gestión de la seguridad de los sistemas de aeronaves no tripuladas. Sin embargo, cómo identificar correctamente el riesgo en tierra y predecir el riesgo con precisión sigue siendo un desafío debido a la incertidumbre en los parámetros relevantes (densidad de personas, impacto en tierra, etc.). Por lo tanto, proponemos un modelo dinámico basado en un enfoque de aprendizaje profundo para evaluar el riesgo en tierra. Primero, se definen y analizan los parámetros que afectan el riesgo en tierra (densidad de personas, impacto en tierra, refugio, etc.). En segundo lugar, se aplica un modelo basado en la teoría cinética para evaluar la magnitud del impacto en tierra. En tercer lugar, se construye un modelo de red neuronal convolucional y red neuronal profunda conjunta (modelo C-Snet) para predecir la densidad de personas en el suelo y calcular el factor de refugio para diferentes grados de impacto en tierra. Por último, se establece un modelo dinámico que combina un modelo de aprendizaje profundo y un modelo cinético para predecir el riesgo en tierra. Realizamos simulaciones para validar la efectividad y eficiencia del modelo. Los resultados indican que el riesgo en tierra tiene características espacio-temporales y que nuestro modelo puede predecir el riesgo con precisión al capturar estas características.