En las últimas décadas, han surgido varios productos de series temporales basados en la observación de la Tierra, que han permitido estudios y análisis de los procesos de cambio global. Además de su contribución a la comprensión de los procesos pasados, los conjuntos de datos de series temporales tienen un enorme potencial para la modelización predictiva y, por lo tanto, satisfacen las demandas de los tomadores de decisiones sobre escenarios futuros. Para explotar aún más estos datos, se ha introducido un nuevo enfoque basado en píxeles, que es la matriz espaciotemporal (STM). El enfoque integra las características históricas de una cobertura terrestre específica a una alta frecuencia temporal para interpretar la información espacial y temporal del vecindario de un píxel objetivo dado. La información proporcionada puede ser explotada con modelos y algoritmos predictivos comunes. En este estudio, se utilizó y evaluó este enfoque para la predicción del crecimiento futuro de asentamientos urbanos/construidos. Se emplearon bosques aleatorios y perceptrones multicapa para la predicción. Las pruebas se llevaron a cabo con estrategias de entrenamiento basadas en un período de un año y un período de diez años para las aglomeraciones urbanas de Surat (India), Ciudad Ho-Chi-Minh (Vietnam) y Abidján (Costa de Marfil). El modelo de pendiente, uso del suelo, exclusión, urbano, transporte, sombra de colinas (SLEUTH) fue seleccionado como un indicador base para la evaluación del rendimiento. Los resultados estadísticos de la curva característica de funcionamiento del receptor (ROC) demuestran una buena capacidad de la STM para facilitar la predicción del crecimiento futuro de asentamientos y su transferibilidad a diferentes ciudades, con valores de área bajo la curva (AUC) superiores a 0.85. En comparación con SLEUTH, el modelo basado en STM logró un AUC más alto en todos los casos de prueba, mientras que era independiente de los conjuntos de datos adicionales para las áreas de desarrollo restringido y preferencial.