L'évapotranspiration (ET) et ses deux composantes, l'évaporation du sol et la transpiration des plantes, jouent un rôle crucial dans le cycle hydrologique, en particulier dans les régions semi-arides. Le suivi de l'évaporation du sol à des échelles multiples est particulièrement intéressant pour une multitude d'applications agronomiques, hydrologiques, météorologiques et climatiques, pour lesquelles la télédétection a un grand potentiel via deux observables clés liées à l'évaporation: la température de surface (Land Surface Temperature - LST) et l'humidité du sol en surface (Soil Moisture - SM). Cette thèse avait pour but d'améliorer la représentation spatio-temporelle de l'évaporation du sol, par une modélisation multi-échelle capable d'utiliser la synergie des données de télédétection disponibles. Une nouvelle méthodologie a été développée afin d'estimer l'efficacité évaporative du sol ou SEE (Soil Evaporative Efficiency, définie comme le rapport entre l'évaporation du sol réelle et celle potentielle), avec une résolution comprise entre 100 m et 40 km. Elle combine l'humidité du sol dérivée à 40 km de résolution des données micro-ondes, la température de surface, le couvert végétal et l'albédo de surface issues des capteurs optiques avec une résolution spatiale variant de 100 m and 1 km, et des données météorologiques. Cette approche a été testée sur des zones irriguées semi-arides au Maroc, au Mexique et en Espagne. Dans une première étape, un modèle du bilan d'énergie du sol (EBsoil) a été proposé pour estimer les limites humide/sèche d'un modèle de l'ET basé sur la LST. Les sorties du modèle EBsoil ont été validées avec des mesures in situ de la température du sol réalisées au Maroc. Les estimations de l'ET obtenues soit uniquement à partir des données de télédétection, soit en utilisant EBsoil, ont ensuite été comparées avec une ET de référence sur le site mexicain pour des résolutions de 100 m et 1 km. Les résultats ont montré que l'intégration de EBsoil améliore les estimations de l'ET à la résolution de 1 km. L'étape suivante s'est concentrée sur la dynamique temporelle de la SEE, en utilisant la technique de la modélisation globale. Cette approche a été utilisée jusqu'à présent pour un petit nombre de contextes environnementaux, avec encore moins de modèles obtenus qui sont en mesure de reproduire la dynamique d'origine. Pour la première fois, un modèle chaotique de dimension quatre a été obtenu pour le cycle journalier de la SEE, capable de reproduire la dynamique de la variable avec une bonne approximation dans l'espace des phases. Dans une dernière étape, les deux approches de télédétection utilisées pour calculer la SEE - en fonction de la LST ou de la SM - ont été combinées dans un algorithme de désagrégation (DISPATCH) des données SM SMOS (Soil Moisture and Ocean Salinity). EBsoil a été intégré dans DISPATCH et un nouvel algorithme a été développé: DISPATCH-E. Une évaluation indirecte de l'approche de modélisation de la SEE a été implémentée sur le site espagnol en comparant la SM DISPATCH-E aux mesures in situ. L'intégration de EBsoil améliore significativement la SM désagrégée à 1 km de résolution. De plus, elle fournit des points de référence pour l'étalonnage des modèles multi-résolution de la SEE, ainsi qu'une évaluation indépendante de l'incertitude des données de télédétection. / Evapotranspiration (ET) and its two main components, soil evaporation and plant transpiration, play a crucial role in the hydrological cycle, especially over semi-arid regions. Monitoring soil evaporation at multiple scales is especially relevant to a multitude of agronomic, hydrologic, meteorological and climatic applications, where remote sensing-based approaches have great potential via two evaporation-related observable variables: the land surface temperature (LST) and the surface soil moisture (SM). The aim of this PhD was to try and improve the spatio-temporal representation of soil evaporation by developing a multi-scale modeling approach that makes use of the synergy between readily available remote sensing data. A new methodology was developed to estimate the soil evaporative efficiency or SEE (ratio of actual to potential soil evaporation) at 100 m to 40 km resolution by combining 40 km resolution microwave-derived SM, 100 m to 1 km resolution thermal-derived LST, 100 m to 1 km resolution reflectance-derived vegetation cover/surface albedo and available meteorological data. The approach was tested over three different semi-arid irrigated areas in Morocco, Mexico and Spain. In a first step, a soil energy balance model (EBsoil) was proposed to improve the determination of the dry/wet boundaries of a LST-based ET model. EBsoil outputs were validated against in situ measurements of dry/wet soil temperatures over the Moroccan site. ET estimates were subsequently derived either from remote sensing data solely or by using EBsoil and intercompared at 100 m and 1 km resolutions with a reference ET over the Mexican site. Results showed that integrating EBsoil improves ET estimates at a medium (1 km) resolution. The next step consisted in looking into the temporal dynamics of SEE, using the global modeling technique, approach used for a very small number of environmental contexts, with even fewer models obtained that are able to reproduce the original dynamics. For the first time ever, a four dimensional chaotic model was obtained for the daily cycle of SEE, able to reproduce the dynamics of the variable with a good approximation in the phase domain. In a final step, the two remote sensing approaches used in deriving SEE - as a function of LST or SM - were combined within a disaggregation algorithm (DISPATCH) of SMOS (Soil Moisture and Ocean Salinity) SM data. EBsoil was integrated in DISPATCH and a new algorithm was developed: DISPATCH-E. An indirect validation of the SEE modeling approach was performed by assessing DISPATCH-E's results in terms of 1 km resolution SM estimates over the Spanish site. Implementing EBsoil significantly improves the downscaled SM. Furthermore it provides reference points for calibrating multi-resolution SEE models, as well as being an independent way of assessing uncertainty in remotely sensed data.