Dans le domaine de l'observation de la Terre, un problème standard est celui de la planification des observations d'un satellite. Ce problème consiste d'une part à sélectionner des prises de vue à effectuer étant donné un ensemble de requêtes formulées par les utilisateurs, et d'autre part à ordonnancer les prises de vue sélectionnées. Ces deux types de décision conduisent à un problème extrêmement combinatoire, en particulier pour des constellations de satellites. Afin de réduire cette complexité, l'idée poursuivie consiste à construire un modèle mathématique exploitant une abstraction du problème d'ordonnançabilité d'un ensemble d'observations pour tenter de produire rapidement des sélections de bonne qualité. Dans cette optique, nous avons défini une approche permettant de représenter à l'aide d'un réseau de neurones une contrainte d'ordonnançabilité d'un ensemble de prises de vue pour un satellite. Les équations du réseau appris sont ensuite exploitées au sein de modèle de programmation linéaire mixte, dans la lignée d'une approche connue dans la littérature sous le nom Empirical Model Learning.