Satellite image time series (SITS) is a sequence of satellite images that record a given area at several consecutive times. The aim of such sequences is to use not only spatial information but also the temporal dimension of the data, which is used for multiple real-world applications, such as classification, segmentation, anomaly detection, and prediction. Several traditional machine learning algorithms have been developed and successfully applied to time series for predictions. However, these methods have limitations in some situations, thus deep learning (DL) techniques have been introduced to achieve the best performance. Reviews of machine learning and DL methods for time series prediction problems have been conducted in previous studies. However, to the best of our knowledge, none of these surveys have addressed the specific case of works using DL techniques and satellite images as datasets for predictions. Therefore, this paper concentrates on the DL applications for SITS prediction, giving an overview of the main elements used to design and evaluate the predictive models, namely the architectures, data, optimization functions, and evaluation metrics. The reviewed DL-based models are divided into three categories, namely recurrent neural network-based models, hybrid models, and feed-forward-based models (convolutional neural networks and multi-layer perceptron). The main characteristics of satellite images and the major existing applications in the field of SITS prediction are also presented in this article. These applications include weather forecasting, precipitation nowcasting, spatio-temporal analysis, and missing data reconstruction. Finally, current limitations and proposed workable solutions related to the use of DL for SITS prediction are also highlighted.

The satellite image time series are used for several applications such as predictive analysis. New techniques such as deep learning (DL) algorithms generally require long sequences of data to perform well; however, the complexity of satellite image preprocessing tasks leads to a lack of preprocessed datasets. Moreover, using conventional collection and preprocessing methods is time- and storage-consuming. In this paper, a workflow for collecting, preprocessing, and preparing Sentinel-1 images to use with DL algorithms is proposed. The process mainly consists of using scripts for collecting and preprocessing operations. The goal of this work is not only to provide the community with easily modifiable programs for image collection and batch preprocessing but also to publish a database with prepared images. The experimental results allowed the researchers to build three time series of Sentinel-1 images corresponding to three study areas, namely the Bouba Ndjida National Park, the Dja Biosphere Reserve, and the Wildlife Reserve of Togodo. A total of 628 images were processed using scripts based on the SNAP graph processing tool (GPT). In order to test the effectiveness of the proposed methodology, three DL models were trained with the Bouba Ndjida and Togodo images for the prediction of the next occurrence in a sequence.

Ces dernières années, nous assistons à une émergence des méthodes d'apprentissage profond appelées Deep Learning en anglais (DL), qui ont favorisé d'énormes progrès dans divers domaines tels que la conduite autonome, la vision par ordinateur, la médecine, les finances, ainsi que dans le domaine de l'analyse des données de télédétection. Le succès de ces méthodes d'apprentissage automatique résulte de la disponibilité sans cesse croissante de grandes quantités d'informations ainsi que des puissances de calculs des ordinateurs. Dans le domaine de la télédétection par exemple, on dispose aujourd'hui de volumes considérables d'images satellitaires grâce au nombre élevé de satellites d'Observation de la Terre (OT) qui gravitent autour de la planète. Avec un temps de revisite des satellites au-dessus d'une zone de plus en plus court, il sera probablement bientôt possible d'obtenir quotidiennement et gratuitement des images satellites, de n'importe quelle zone dans le monde. Cette disponibilité en images permet de constituer des séries chronologiques de données appelées Séries Temporelles d'Images Satellitaires (STIS). Les STIS peuvent être utilisées pour de multiples applications du monde réel comme la prédiction des changements de classes d'occupation de sol en général, et la déforestation en particulier. Dans le cadre de cette thèse, il est question d'exploiter les potentialités des méthodes d'apprentissage profond et la disponibilité des STIS pour créer des modèles prédictifs basés sur l'apprentissage profond, capables d'analyser les données historiques d'une zone donnée et de prédire la déforestation dans cette zone. Quatre principales contributions sont réalisées au terme de ces travaux de thèse : 1) Proposition d'un workflow de collecte et de prétraitement par lot des images satellitaires Sentinel-1; 2) Comparaison de trois architectures DL par la création de modèles de prédiction de la prochaine occurrence dans une STIS; 3) Validation des méthodes DL pour la prédiction des changement des classes d'occupation par comparaison à la méthode actuelle utilisée (méthode CA-Markov); 4) Proposition d'un modèle de prédiction de déforestation (Deforest_Pred) autour de la réservede Biosphère du Dja (Cameroun). Le modèle Deforest_Pred est basé sur une architecture hybride CNN-LSTM et entraîné sur un jeu de données d'images Sentinel-1A augmentées par une technique de fusion d'images proposée dans le cadre de ces travaux.