Las Redes Neuronales Recurrentes (RNN), incluidas las arquitecturas de Memoria a Largo y Corto Plazo (LSTM), han obtenido resultados exitosos en tareas de análisis de series temporales. Si bien las RNN han demostrado un rendimiento favorable para los análisis de cambios en la Cobertura del Suelo (LC), pocos estudios han explorado o cuantificado las características de los datos geoespaciales necesarias para utilizar este método. Asimismo, muchos estudios utilizan medidas generales de precisión en lugar de métricas que tengan en cuenta los cambios lentos o escasos de la LC que se observan típicamente. Por lo tanto, el objetivo principal de este estudio es evaluar el rendimiento de los modelos LSTM para pronosticar cambios en la LC mediante un análisis de sensibilidad que involucra conjuntos de datos hipotéticos y del mundo real. La intención de esta evaluación es explorar las implicaciones de variar las resoluciones temporales y las clases de LC. Además, cambiar estas características de los datos de entrada impacta el número de pasos de tiempo y las tasas de cambio de LC proporcionadas a los respectivos modelos. Se seleccionan variantes de Kappa para explorar la capacidad de los modelos LSTM para pronosticar transiciones o persistencia de la LC. Los resultados demuestran los efectos adversos de resoluciones temporales más gruesas y una alta cardinalidad de clases de LC en el rendimiento del método, a pesar de las técnicas de optimización del método aplicadas. Este estudio sugiere varias características de los conjuntos de datos geoespaciales que deben estar presentes antes de considerar los métodos LSTM para el pronóstico de cambios en la LC.