La question de l’échantillonnage optimal d’information spatiale a été largement étudiée dans le cas d’observations à valeurs réelles. A l’inverse, peu de travaux traitent du cas d’observations discrètes, pourtant pertinant dans de nombreux problèmes de cartographie de systèmes biologiques. Nous proposons d’exploiter le cadre des champs de Markov, classiquement utilisés en analyse d’image, à la fois pour représenter la distribution spatiale du phéomène étudié, et également pour définir une notion d’utilisé d’un échantillon. Nous considérons le problème de la conception d’une stratégie adaptative d’éhantillonnage et l’échantillon optimal est défini comme celui maximisant un critère d’utilité en espérance quantifiant la qualité de la carte reconstruire et les coûts d’échantillonnage. Nous présentons ensuite un algorithme de résolution de type apprentissage par renforcement, reposant sur la modélisation du problème d’origine dans le cadre des processus décisionnels de Markov.En nous appuyant sur une validation empirique, nous illustrons les avantages de cette approche qui apporte un gain significatif en temps de calcul et fournit des politiques approchées satisfaisantes.