En paléoclimatologie, la reconstruction du climat passé est obtenue par l'utilisation d'un modèle statistique de la relation entre le pollen contenu dans les sédiments et le climat. Ces modèles sont calibrés sur les données modernes. Introduire dans le modèle statistique un modèle physique de végétation devrait améliorer la prédiction des climats anciens. Néanmoins, cela nécessite de modéliser la distribution des pollens en fonction de la végétation.Deux difficultés doivent être prises en compte. D'une part, le modèle doit être ajusté sur une grande quantité de données de façon à intégrer une large gamme de climats. D'autre part les données de pollen disponibles présentent une forte sur-dispersion. Dans le cadre des modèles hiérarchiques, nous développons un modèle bayésien qui inclut les principaux processus en jeu : production, dispersion spatiale, accumulation et échantillonnage du pollen mais aussi l'erreur induite par le modèle de végétation. Les processus d'accumulation et d'échantillonnage sont représentés par un modèle Multinomial-Poisson. Ce modèle permet de prendre en compte une sur-dispersion et la présence de zéros structurels. La dispersion est modélisée par un noyau Gaussien et l'erreur du modèle de végétation est décrite par un mélange de lois Gamma. Nous montrons que les paramètres du modèle Multinomial-Poisson sont estimables et le vérifions en pratique par simulation. L'inférence sur une partie des données réelles confirme une sur-dispersion importante des données de pollen. La forme du modèle permet de paralléliser l'algorithme d'ajustement, ce qui permettra de travailler sur le jeu de données complet.