Il est difficile de concevoir des modèles statistiques fonctionnels et efficaces sur le plan calculatoire pour s’adapter aux processus non stationnaires et non séparables contenant à la fois des variations longue distance et d’autres à courte échelle, tout particulièrement pour les ensembles de données à grande échelle comportant plusieurs structures manquantes ou corrompues. Lors de cet exposé, nous présenterons l’apprentissage noyauté bayésien complémentaire (BCKL) afin de réaliser une modélisation probabiliste extensible pour les données spatiotemporelles multidimensionnelles. BCKL intègre la factorisation à rang réduit noyauté avec les processus gaussiens (GP) spatiotemporels à courte échelle, dans lesquels les deux composantes se complémentent les unes les autres. Nous nous servons d’un composant de factorisation à rang réduit multilinéaire dans le but de saisir les corrélations globales et de longue distance dans les données et y insérer un GP additif de courte échelle basé sur des fonctions par noyaux soutenus de façon compacte afin de caractériser les variabilités locales restantes. Nos résultats confirment la performance supérieure du BCKL pour procurer une moyenne a posteriori fiable et des estimations de haute qualité sur l’incertitude.