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