À l’échelle d’un terroir viticole, le climat présente des variations significatives et joue un rôle important sur les caractéristiques des vins produits. L’adaptation de la filière viticole au changement climatique en cours nécessite la connaissance de l’évolution du climat à l’échelle locale. Cette étude vise à intégrer cette échelle dans les projections climatiques en se basant sur l’utilisation combinée de modèles dynamiques et géostatistiques. Dans un premier temps, l’utilisation d’un modèle climatique régional à haute résolution (1 km) dans les vignobles de Marlborough (Nouvelle-Zélande) a permis de cartographier les températures d’une région viticole. Les limites et les incertitudes de l’utilisation de ce type de modèle, notamment pour la représentation des variations thermiques les plus locales, ont également été étudiées. Par l’utilisation des données issues d’un réseau dense de capteurs de température, une seconde étape a consisté au développement d’un modèle statistique non linéaire permettant une cartographie fine des températures sur les appellations Saint-Émilion, Pomerol et leurs satellites. Enfin une méthode d’intégration de l’échelle locale dans les projections de changement climatique est proposée, associant modèles dynamiques et modèles géostatistiques. Cette thèse a mis en évidence que l’utilisation simultanée de différentes méthodes de modélisation des températures peut représenter une piste intéressante pour pallier aux manques qu’elles peuvent représenter individuellement et limiter ainsi l’incertitude. / At vineyard scale, climate variability can be significant in magnitude and play a key role in vine and wine characteristics. Adaptation of viticulture to climate change requires knowledge about future fine-scale climate evolution. This study aims to integrate local scale in future climate projections, coupling dynamic and statistical modelling. A first step consisted in producing temperature maps at 1 km resolution using WRF in a vineyard area (Marlborough, New-Zealand) and evaluating model uncertainties. It revealed that dynamical models do not represent well local climate variations. Using a high density temperature data logger network, the second part is dedicated to developing a non-linear statistical model to map temperature at very fine scale in famous sub-appellations of the Bordeaux vineyard area (Saint-Émilion). Following, a method, coupling dynamical and statistical modelling, is proposed to integrate local scale in climate change projections. This thesis highlights that using simultaneously statistical and dynamical models can be an approach to reduce model uncertainties.