Au cours des dernières années, l'apprentissage profond a acquis une importance croissante dans de nombreux domaines scientifiques, notamment en ce qui concerne le traitement d'images, et en particulier pour le traitement des données issues de satellites. Le paradigme le plus courant en ce qui concerne l'apprentissage profond est l'apprentissage supervisé, qui requiert une grande quantité de données annotées représentant la vérité terrain pour la tâche d'intérêt. Or, obtenir des données correctement annotées pose souvent des difficultés financières ou techniques importantes. Pour cette raison, nous nous plaçons ici dans le cadre de l'apprentissage auto-supervisé. Nous proposons un modèle d'apprentissage profond inspiré de la théorie de l'opérateur de Koopman qui apprend, à partir de séries temporelles d'images multispectrales Sentinel-2, à modéliser les dynamiques de long terme de réflectance des pixels. Après son entraînement, notre modèle peut être utilisé dans divers problèmes inverses faisant intervenir la dynamique temporelle pour résoudre différentes tâches telles que l'interpolation ou le débruitage de données.