L'interprétation des données environnementales se trouve confrontée habituellement au problème de l'estimation de la variation spatiale d'un paramètre à partir d'un nombre limite de points d'échantillonnage irrégulièrement distribues dans l'espace. La difficulté est alors d'extraire des informations pertinentes compte tenu du problème pose à partir des observations élémentaires effectuées sur des points de contrôle. Par exemple, en analyse des risques (gestion des ressources en eau, prévisions des inondations, gestion de la pollution), à est important de pouvoir estimer la valeur maximum, ou de détecter des anomalies du paramètre mesure. Dans ce cadre, les techniques classiques de cartographie automatique telles que les méthodes splines, les méthodes de régression multivariables ou d'interpolation tel que le krigeage, s'avèrent peu utiles, car elles fournissent une estimation locale de la valeur moyenne du paramètre étudié, alors que la loi conditionnelle du paramètre sera à bien plus utile. Nous présentons dans cet expose une technique de simulation stochastique basée sur les fonctions indicatrices. Cette méthode fournit en chaque point de l'espace une estimation de la loi de probabilité conditionnelle du paramètre étudié. Cette estimation peut ensuite are utilisée pour construire une "image stochastique" ou bien une carte de simulation réaliste d'un paramètre inconnu. Cette technique est également utilisée pour construire différents estimateurs non-paramétriques de la variable étudiée (telle que sa valeur minimum, maximum, médiane, variation interquartile) qui peuvent être utilises dans une analyse des risques. Une étude de cas concernant la gestion de polluant est présentée afin d'illustrer la méthodologie proposée.