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

L’analyse pr{é}dictive permet d’estimer les tendances des {é}v{è}nements futurs. De nos jours, les algorithmes Deep Learning permettent de faire de bonnes pr{é}dictions. Cependant, pour chaque type de probl{è}me donn{é}, il est n{é}cessaire de choisir l’architecture optimale. Dans cet article, les mod{è}les Stack-LSTM, CNN-LSTM et ConvLSTM sont appliqu{é}s {à} une s{é}rie temporelle d’images 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 {à} l’aide des indicateurs de performance tels que le RMSE et le MAE, le temps de traitement et l’index de similarit{é} SSIM, montrent que chacune des trois architectures peut produire de bons r{é}sultats en fonction des param{è}tres utilis{é}s.