Les modèles globaux du fonctionnement des écosystèmes terrestres permettent de représenter les processus clés contrôlant les bilans d'énergie, d'eau, et de carbone à la surface. Ces modèles encapsulent généralement nos connaissances des différents processus à l'aide d'équations paramétriques issues d'expériences en laboratoire ou de mesures in-situ. Néanmoins, ces équations reposent encore très souvent sur des paramètres relativement mal connus et pas toujours adaptés à l'échelle spatiale et temporelle considérée. Dans ce contexte, l'accroissement du nombre (et de la qualité) des mesures in situ ou satellites, relatives au fonctionnement des différents écosystèmes, représente une opportunité nouvelle pour mieux calibrer ces modèles et améliorer les prédictions futures des bilans de carbone, d'eau et d'énergie. Pour cela, les techniques d'assimilation de données appliquées à l'optimisation des paramètres d'un modèle prennent tout leur sens.Nous avons donc développé un système d'assimilation multi-donnée Bayesien pour contraindre les paramètres clés, relatifs aux cycles du carbone et de l'eau, du modèle ORCHIDEE de l'IPSL (Krinner et al., 2005). Le système permet d'ingérer les mesures de flux turbulent de carbone et d'eau en divers sites (réseau FluxNet de plus de 100 sites), les mesures satellites d'activité de la végétation issues de l'instrument MODIS (NDVI), des mesures in-situ de biomasse forestière, ainsi que des mesures de concentration atmosphérique de CO2 via l'utilisation d'un modèle de transport. Nous présenterons tout d'abord brièvement les fonctionnalités techniques du système inverse, basé sur une approche dite variationnelle, ainsi que les difficultés de mise en oeuvre. Ensuite nous décrirons les principaux résultats obtenus avec chaque type de données, à savoir, les améliorations en terme d'accord modèle mesure, le niveau de contrainte sur les différents paramètres (réduction d'erreur), ainsi que les bilans de carbone pour quelques écosystèmes avant et après optimisation. Une originalité de ce travail consiste à étudier l'impact d'une assimilation simultanée ou séquentielle de plusieurs jeux de donnés. Enfin nous illustrerons l'impact de ces optimisations sur la simulation des bilans de carbone a grande échelle et donc potentiellement sur le climat simulé par le modèle couplé du système terre de l'IPSL.