Les basses latitudes de l'Arctique peuvent servir d'indicateurs des futurs changements de l'océan Arctique. Parmi celles-ci, le Complexe de la Baie d'Hudson (CBH), une vaste mer intérieure subarctique, se distingue par sa productivité biogéochimique unique, influencée par la glace de mer saisonnière, les apports fluviaux abondants et la limitation en nutriments (principalement l'azote). Historiquement, la productivité de l'écosystème de la CBH a été sous-estimée. Cependant, des recherches récentes menées dans le cadre du projet Hudson Bay Systems Study (BaySys) révèlent un niveau de production primaire plus élevé qu'on ne le pensait auparavant. En particulier, une partie de cette productivité est attribuée aux processus biologiques liés à la glace de mer (sympagiques). En raison de la difficulté d'accessibilité de la région, les outils de modélisation permettent d'explorer son environnement physique et biogéochimique sur des échelles temporelles et spatiales étendues. L'utilisation de modèles biogéochimiques (BGCM) capables de résoudre les compartiments de nutriments, de phytoplancton, de zooplancton et de détritus (NPZD) a fourni des informations sur la distribution spatiale et temporelle des producteurs primaires au sein de la CBH. Ces modèles élucident également les facteurs physiques de la productivité, ce qui permet d'acquérir une compréhension fondamentale des principaux facteurs susceptibles d'affecter la CBH et la région arctique dans son ensemble face au changement climatique. Le modèle initial appliqué à la région de la CBH était le BGCM simplifié à base de phosphate, BLING (Biogeochemical, Light, Iron, Nutrient, and Gases Model). Par la suite, Sibert et al. (2010, 2011) ont développé un modèle NPZD simplifié à base d'azote incorporant la biogéochimie sympagique, ultérieurement renommé BiGCIIM (BioGeoChemical Ice Incorporated Model). Les deux modèles ont par la suite été couplés à un modèle océanique 3D (NEMOv3.6) et à un modèle de glace de mer (LIM2). Cette démarche avait pour objectif d'évaluer leur capacité à prédire les concentrations spatiotemporelles de chlorophylle a, telles qu'observées par satellite et à partir de mesures in situ. Elle visait également à analyser les principaux facteurs physiques influençant la productivité. Dans un environnement faible en azote comme celui de la CBH, il était attendu qu'un modèle basé sur l'azote produise des résultats plus cohérents avec les observations. Notre étude a démontré que les deux modèles reproduisaient les motifs spatiotemporels de chlorophylle a observés sur les images satellites. Le modèle BLING, à base de phosphate, a montré une performance légèrement meilleure, tandis que le modèle BiGCIIM, à base d'azote, présentait une meilleure concordance avec les observations ponctuelles. De plus, notre analyse a mis en évidence l'influence significative de la dynamique de la glace de mer et des apports fluviaux sur la variabilité des concentrations prédites de chlorophylle a dans les deux BGCMs. En outre, la capacité de BiGCIIM à résoudre plusieurs groupes de producteurs primaires écologiquement pertinents associés à l'écologie pélagique et sympagique a fourni des informations précieuses sur leur contribution à la production primaire totale dans la HBC. Finalement, notre étude souligne l'importance de choisir des BGCMs adaptés aux questions de recherche spécifiques, en veillant à ce que la complexité du modèle et les hypothèses sous-jacentes correspondent aux objectifs de l'étude et à la disponibilité des données. / The lower latitudes of the Arctic can be used as indicators of how the Arctic Ocean may change in the future. Among these, the Hudson Bay Complex (HBC), a vast sub-Arctic inland sea, stands out for its unique biogeochemical productivity shaped by seasonal sea ice, abundant riverine inputs, and nutrient limitation (primarily nitrogen). Historically, the productivity of the HBC ecosystem has been underestimated. However, recent research, driven by the Hudson Bay Systems Study (BaySys) project, indicates a higher level of primary production than previously thought. In particular, a portion of this productivity is attributed to sea ice-related (sympagic) biological processes. Given the limited accessibility of the region, modeling tools provide a means to explore its physical and biogeochemical environment over extended temporal and spatial scales. The use of biogeochemical models (BGCMs) capable of resolving nutrient, phytoplankton, zooplankton and detrital (NPZD) pools has provided insights into the spatial and temporal distribution of primary producers within the HBC. These models also elucidate the physical drivers of productivity, providing a fundamental understanding of the primary drivers likely to affect the HBC and the broader Arctic region in the face of climate change. The initial model applied to the HBC region was the phosphate-based simplified BGCM (nutrient and phytoplankton only), BLING (Biogeochemical, Light, Iron, Nutrient, and Gases Model). Subsequently, Sibert et al. (2010, 2011) developed a simplified nitrogen-based NPZD model incorporating sympagic biogeochemistry, later renamed BiGCIIM (BioGeoChemical Ice Incorporated Model). Both models were either coupled to a 3-D numerical ocean (NEMOv3.6) and sea ice (LIM2) model framework to evaluate their ability to predict spatio-temporal chlorophyll a concentrations observed from satellite and in situ measurements, as well as to assess the primary physical drivers of productivity. In a nitrogen-limited environment such as the HBC, a nitrogen-based model is expected to provide results more in line with observations. Our study found that both models replicated the spatiotemporal chlorophyll a patterns observed from satellite imagery, with the phosphate-based BLING model showing slightly better performance, while the nitrogen-based BiGCIIM model showed better agreement with point observations. In addition, the thesis highlights the significant influence of sea ice dynamics and river runoff on the variability of predicted chlorophyll a concentrations within both BGCMs. Furthermore, BiGCIIM's ability to resolve several ecologically relevant primary producer groups associated with pelagic and sympagic ecology provided valuable insights into their contributions to total primary production within the HBC. This thesis highlights the importance of selecting BGCMs tailored to specific research questions, ensuring that the model's complexity and underlying assumptions match the study objectives and data availability.