Un mélange d'analyseurs de facteurs spatiaux est présenté pour relever les défis liés au regroupement de données spatiales de grande dimension. En tirant parti du système de coordonnées sous-jacent, le cadre proposé intègre une structure de covariance de décroissance spatiale flexible, basée sur des splines, qui empêche l'inflation des paramètres à mesure que la dimensionnalité augmente. Pour modéliser la dépendance non spatiale, des analyseurs de facteurs sont utilisés pour réduire davantage la dimensionnalité. L'estimation des paramètres est réalisée à l'aide d'une variante de l'algorithme d'optimisation des attentes combinée à un estimateur des moindres carrés généralisés. Les modèles proposés sont explorés dans le contexte de l'analyse de données à variables tensorielles, où des études en simulation et des applications à la spectroscopie Raman et à des ensembles de données de texture hyperspectrale démontrent leur capacité à déduire et à différencier avec précision des modèles spatiaux distincts.