English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Plus monthly

Global: Zendy Tools annual

Global: Zendy Tools monthly

Global: Zendy Free Plan

L'analyse pr{\'e}dictive permet d'estimer les tendances des{\'e}v{\`e}nements futurs. De nos jours, les algorithmes Deep Learningpermettent de faire de bonnes pr{\'e}dictions. Cependant, pour chaque type deprobl{\`e}me donn{\'e}, il est n{\'e}cessaire de choisir l'architectureoptimale. Dans cet article, les mod{\`e}les Stack-LSTM, CNN-LSTM et ConvLSTMsont appliqu{\'e}s {\`a} une s{\'e}rie temporelle d'images radar sentinel-1, lebut {\'e}tant de pr{\'e}dire la prochaine occurrence dans une s{\'e}quence. Lesr{\'e}sultats exp{\'e}rimentaux {\'e}valu{\'e}s {\`a} l'aide des indicateurs deperformance tels que le RMSE et le MAE, le temps de traitement et l'index desimilarit{\'e} SSIM, montrent que chacune des trois architectures peut produirede bons r{\'e}sultats en fonction des param{\`e}tres utilis{\'e}s.

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