Les services écosystémiques sont devenus une question sociale, écologique et économique majeur à l’échelle mondiale. Dans les paysages agricoles, ces services concernent à la fois les parcelles agricoles, mais aussi les petit bois agricoles dont les services rendus sont souvent sous-estimés et faiblement mobilisés. Identifier et cartographier ces services à large échelles est une étape importante pour localiser les ressources disponibles et pour planifier la gestion future des paysages. Cependant, cartographier ces services reste un challenge. Les données de télédétection permettent de couvrir de grandes surfaces et propose une nouvelle manière de décrire les paysages agricoles, offrant la possibilité de prédire les services à large échelle. Cela semble particulièrement pertinent car les services rendus dans les parcelles agricoles et les bois, souvent petits et isolés, dépendent fortement de processus paysagers. Nous avons étudiés la possibilité de prédire les services écosystémiques fournis par les parcelles (céréale d’hiver) et bois agricoles par des indices de végétation dérivés d’imagerie hyperspectrale à haute résolution spatiale. Ces résultats ont été comparés avec ceux obtenus par des prédictions basés sur une représentation paysagère usuelle, l’occupation des sols. Pour cela, 28 parcelles de céréale d’hiver et 28 bois ont été échantillonnés pour des services de support, de régulation et de production. Une image hyperspectrale à 2m de résolution de la zone d’étude a été acquise. Généralement, des statistiques descriptives à l’échelle des paysages (moyenne, variance, valeur minimum et maximum) sont utilisées pour décrire la distribution des indices de végétation, calculée pour chaque pixel. Cette approche peut entrainer une perte importante d’information car des objets ayant des signatures spectrales très différentes cohabitent dans les paysages. Nous proposons une description basée sur la distribution complète des indices de végétation à travers le paysage. Cette méthode repose sur des modèles de mélanges de Gaussiennes (gmm), puis sur une nouvelle mesure de distance L2 basé sur ces modèles de distribution. Enfin, nous utilisons la méthode des k plus proche voisins pour prédire les services écosystémiques (approche basé sur la similarité).La qualité de la prédiction a été comparée entre les trois représentations paysagères : occupation du sol, statistiques descriptives des données hyperspectrales, et description basée sur les gmm des données hyperspectrales. Les résultats préliminaires montrent que les mélange de Gaussiennes sont de bien meilleurs proxi que les statistiques descriptives pour estimer les distributions des indices de végétations et semblent être des meilleurs prédicteurs des services écosystémiques.