Les modèles de substitution évolutifs facilitent l'émulation calculable de modèles informatiques (ou de simulateurs) lorsque de grands ensembles d'exécutions sont disponibles. Les modèles de processus gaussiens (GP) sont couramment utilisés pour l'émulation de modèles informatiques, mais ils ne peuvent pas s'adapter à des ensembles de données vraiment importants. Les données fonctionnelles denses, telles que les données spatiales ou temporelles, ajoutent une couche de complexité supplémentaire qui doit être traitée avec soin pour une émulation rapide. Dans ce travail, nous développons un émulateur hautement évolutif pour les données fonctionnelles, motivé par Kennedy et O'Hagan (2001) et Higdon et al. (2008), mais basé sur le processus gaussien approximatif local (Gramacy, 2016). Nous appliquons notre émulateur à la calibration de modèles en utilisant des estimations de paramètres GP globales à l'échelle de longueur pour mettre à l'échelle l'espace d'entrée, ce qui augmente considérablement la vitesse du MCMC. Nous montrons que notre émulateur basé sur l'approximation rapide peut être une alternative appropriée aux méthodes de Higdon et al. (2008) pour la réponse fonctionnelle à une fraction du coût de calcul.