Les réseaux profonds de neurones sont de plus en plus plébiscités, à fortiori, en classification d'occupation des sols, à partir de séries temporelles d'images satellites. Malgré leurs performances, ces réseaux souffrent de manque d'explicabilité. Dans ce cadre, nous étudions différentes architectures de réseaux profonds convolutionnels qui extraient les caractéristiques spectro-temporelles des séries pour ensuite classifier chaque pixel. Afin d'expliquer ses décisions, nous y intégrons, de deux manières différentes, un module d'attention donnant la contribution de chaque caractéristique spectrale. Des expériences ont été menées sur des données Sentinel-2 de la Réunion. Les corrélations spectrales, inhérentes à ce type de séries, sont prises en compte en factorisant les convolutions sur des bandes fortement corrélées afin d'obtenir le meilleur compromis complexité/performance du modèle. Les résultats semblant prometteurs en termes d'explicabilité et de performances, des développements sont à l'étude pour étendre les attentions au niveau spectral et temporel (cartes de chaleur) et pour comprendre plus finement le fonctionnement des réseaux "multi-sorties" qui permettent d'entraîner le module d'attention.