Les incendies de forêt constituent l'une des menaces naturelles que l'Union européenne surveille activement grâce au programme de surveillance de la Terre Copernicus EMS, qui diffuse en continu des informations publiques relatives à ces événements catastrophiques. Ces phénomènes engendrent des dommages à la fois à court et à long terme. Ainsi, pour limiter leur impact et planifier le processus de restauration, une intervention rapide des autorités s'avère nécessaire, pouvant être renforcée par l'utilisation d'images satellites et de méthodes automatisées de délimitation des zones brûlées, accélérant ainsi les processus de réponse et de prise de décision. Dans ce contexte, nous abordons le problème d'estimation de la sévérité des zones brûlées en exploitant un cadre de deep learning de pointe. Les résultats expérimentaux comparent différentes architectures de modèles et fonctions de perte sur un ensemble de données réelles très étendu provenant du satellite Sentinel-2. En outre, une nouvelle analyse à base d'attention multi-canaux est proposée afin de mieux comprendre le comportement des prédictions et d'améliorer l'interprétabilité du modèle. Une mécanique de perturbation est appliquée à un DS-UNet basé sur l'attention afin d'évaluer la contribution de différentes catégories de canaux pilotées par le domaine au problème d'estimation de la sévérité.