Application of LSTM architectures for next frame forecasting in Sentinel-1 images time series

Lánalyse pr{\é}dictive permet déstimer les tendances des {\é}v{\`e}nements futurs. De nos jours, les algorithmes Deep Learning permettent de faire de bonnes pr{\é}dictions. Cependant, pour chaque type de probl{\`e}me donn{\é}, il est n{\é}cessaire de choisir lárchitecture optimale. Dans cet article, les mod{\`e}les Stack-LSTM, CNN-LSTM et ConvLSTM sont appliqu{\é}s {\`a} une s{\é}rie temporelle dímages radar sentinel-1, le but {\é}tant de pr{\é}dire la prochaine occurrence dans une s{\é}quence. Les r{\é}sultats exp{\é}rimentaux {\é}valu{\é}s {\`a} láide des indicateurs de performance tels que le RMSE et le MAE, le temps de traitement et líndex de similarit{\é} SSIM, montrent que chacune des trois architectures peut produire de bons r{\é}sultats en fonction des param{\`e}tres utilis{\é}s.