En France, la méthode de l'Inventaire Forestier National (IFN) répond à des besoins de politique publique aux échelles nationales et régionales. Sur des plus petits territoires, la précision est souvent insuffisante pour répondre aux besoins des activités de gestion. Les méthodes IFM peuvent répondre à ce besoin en combinant des données d'inventaire et des données de télédétection. La thèse vise à améliorer la précision de l'IFN à des échelles subrégionales à locales en intégrant les données du système lidar spatial GEDI dans des approches multisources.Cependant, cette intégration se heurte à un verrou majeur, lié à l'absence de correspondance spatiale entre les échantillons sur le terrain (placettes d'inventaire) et les empreintes GEDI. Par ailleurs, les données GEDI sont mal géoréférencées, ce qui complexifie leur intégration dans certaines approches d'IFM. Cette thèse se concentre sur ces problématiques et est divisée en trois parties principales.Premièrement, une méthode d'amélioration du géoréférencement de GEDI a été développée en se basant uniquement sur un modèle numérique de terrain (MNT) de référence à haute résolution spatiale. Cette méthode compare, pour une série de positions autour de la localisation indiquée dans les produits GEDI, les élévations du terrain des empreintes GEDI avec celles du MNT de référence, générant une carte d'écarts en fonction des décalages en X et Y. En utilisant un algorithme d'accumulation de flux sur cette carte, une position améliorée qui minimise l'écart avec le MNT est proposée pour chaque empreinte GEDI.Ensuite, deux approches d'utilisation des données GEDI avec les données de l'IFN ont été élaborées. Les zones d'étude se situent dans les Vosges et utilisent environ 500 placettes IFN et plus de 100,000 empreintes GEDI. La première approche est une approche d'échantillonnage double pour la stratification (2SS), reposant sur des variables communes entre GEDI et IFN, sans nécessiter de coïncidence spatiale entre les deux sources de données. Les approches 2SS reposent généralement sur des échantillons de données probabilistes, ce qui n'est a priori pas le cas de l'échantillonnage de GEDI. Ainsi, une analyse préliminaire a été nécessaire pour comprendre les caractéristiques spécifiques de l'échantillon des mesures GEDI. La pertinence de la variable commune choisie, la hauteur maximale des arbres, a également été vérifiée. Par rapport aux estimations basées uniquement sur les données IFN, l'approche 2SS a amélioré la variance des estimations de volume de 56%.La deuxième approche utilise un lien entre données GEDI et données IFN établi indirectement en utilisant les images Sentinel-2 et Sentinel-1, avec la méthode des k-plus proches voisins (kNN) combinée avec du bagging (bootstrap aggregation). Il s'agit de propager l'information des placettes terrain au niveau des empreintes GEDI pour densifier les placettes IFN en tirant parti des mesures de structure forestière GEDI, bien corrélées aux attributs forestiers d'intérêt (ex. le volume de bois). Tout d'abord, en utilisant un kNN-bagging, on cherche pour chaque placette IFN les empreintes GEDI ayant les caractéristiques les plus proches de celles du point IFN pour des variables de lien Sentinel, complétées ou non avec une variable de lien supplémentaire de hauteur. On estime ainsi l'ensemble des variables GEDI pour chaque placette IFN. Ensuite, un modèle de régression est établi par kNN-bagging pour estimer le volume de bois à partir des variables GEDI les mieux prédites à l'étape précédente et les variables Sentinel. Le volume est estimé au niveau de toutes les empreintes GEDI. La stratégie complétée par une variable de lien de hauteur a atteint un coefficient de détermination de 58%. Par la suite, sur la base du réseau dense de placettes avec volume ainsi obtenu, des méthodes standards d'estimation sur de petites surfaces (small area estimation) ou de cartographie haute résolution, pourront être implémentés.