L'évaluation des impacts environnementaux des pratiques agricoles nécessite l'utilisation d'approches de modélisation pour simuler les flux hydrologiques à l'échelle du paysage, dont le temps de réponse peut s'étendre sur plusieurs décennies. L'allocation des cultures sur le parcellaire spatialise les pratiques de fertilisation impliquées dans les problèmes de qualité des sols et de l'eau. Afin de faciliter la construction de scénarios agricoles, notre objectif était de développer un modèle de transition de culture tenant compte de déterminants agronomiques et spatiaux: objectifs de production végétale, distribution spatiale des cultures autour des corps de ferme, adéquation des cultures à l'hydromorphie du sol. Nous avons développé un modèle innovant basé sur des arbres de décision stochastiques, Stochastree, pour intégrer de s caractéristiques des types de ferme et des par celles (surface, distance au corps de ferme, hydromorphie, culture en cours) dans le processus de simula tion des transitions de culture sans expertise préalable, mais qui s'appuie sur une approche de data-mining. Les résultats de simulation ont été comparés avec des données de terrain et à un modèle markovien basé sur des matrices de trans ition, Rotomatrix, pour tester ses capacités à suivre les contraintes agronomiques présumées. La structure générale des arbres de décisions ainsi construits avait une structure similaire aux matrices de transitions. Stochastree et Rotomatrix ont montré des performances similaires concernant la prédiction des transitions de culture et les objectifs de production. Stochastree a été significativement meilleur dans sa capacité à maintenir la distribution spatiale des cultures autour des corps de ferme, et légèrement meilleur dans l'allocation préférentielle des cultures aux classes d'hydromorphie du sol. La construction facile de tels arbres de décision ouvre des perspectives de couplage de Stochastree avec des modèles écologiques, comme des modèles de transfert de solutés de diffusion de gènes. Evaluating the environmental impacts of agricultural practices requires the use of simulation approaches to model hydrological fluxes at the landscape scale and with response time spanning over decades. The crop allocation over the field pattern determines the spatial distribution of fertili zation practices, which are involved in soil and water quality issues. To facilitate the construction of agricultural scenario s, our objective was to develop a crop transition model able to account for agronomic and spatial driving factors: crop production objectives, spatial distribution of the crops around the farmsteads, and preferential allocation of crops on soil waterlogging classes. We developed an innovative model based on stochastic decision trees, Stochastree, to integr ate farm-type and field characteristics (area, distance to farmstead, waterlogging, current crop) in the crop transitio n simulation process without prior expert knowledge, but relying on a data-mining approach. Simulation results of Stochastree were compared to field data and to a Markovian model based on transition matrices, Rotomatrix, to test its abilities to follow presumed agronomic constraints. Learned decision trees had a general structure similar to transition matrices. Stochastree and Rotomatrix exhibited similar performances in predicting crop transitions and outputting expected crop productions. Stochastree proved to be significantly superior in maintaining the spatial distribu tion of crops around the farmsteads and slightly better in allocating crops to the proper soil waterlogging class. The ease to construct decision trees suggest many potential couplings of Stochastree to various ecological models, like nutrient diffuse transfer models or gene transmission models.