La thèse propose et évalue une méthode de prise en compte de la diversité microbienne dans un modèle mécaniste opérationnel de dynamique du carbone (C). Partant d'un modèle classique dont les flux de minéralisation sont décrits par des cinétiques d'ordre 1, nous proposons des fonctions de modulation des paramètres des équations prenant en compte des indices de diversité microbienne. Elle s’appuie sur 2 jeux de données contenant des mesures de diversité microbienne et des cinétiques de minéralisation du C sur 80 jours, en conditions contrôlées, avec et sans apport de blé marqué au 13C, issus d'échantillons de sols agricoles diversifiés.L'utilisation de modèles statistiques additifs généralisés (GAM) a permis d'identifier les indices de diversité pouvant expliquer la dynamique du C. Des fonctions de modulation ont été proposées selon les relations mises en évidence.L'ensemble a été calibré à l'aide de méthodes bayésiennes. L'ajout d'une fonction de modulation dépendante de la diversité bactérienne a permis d'améliorer la prédiction des flux issus de la minéralisation de la MOS. En revanche, l'intégration d'une fonction dépendante de la diversité fongique n'a pas permis l'amélioration des flux issus de la minéralisation du résidu ou de la MOS.La méthode proposée d'intégration de la diversité microbienne dans les modèles génériques de dynamique du C constitue une approche prometteuse pour une représentation parcimonieuse de son influence. Il s'agit d'un cadre méthodologique complémentaire à la prise en compte détaillée de cette diversité dans les modèles de dynamique du C / This thesis suggests and assesses a way to integrate microbial diversity in an operational mechanistic model of C dynamic. From a classical model where mineralisation fluxes are described by 1st order kinetics, we propose functions depending on microbial diversity indices to modulate the parameters of these kinetics. We used 2 datasets containing measures of microbial diversity and C mineralisation kinetics from controlled conditions incubations during 80 days, with and without 13C labelled wheat straw, from grassland and cropland soil samples.In a first step, based on statistical generalizes additive models (GAM), we identified the microbial diversity indices relevant to explain C dynamic. Observed relations allowed us to submit modulation functions depending on microbial diversity to adjust model parameters. The whole has been calibrated through bayesian inference.Overall, the modulation function depending on bacterial diversity led to an improvement of SOM mineralisation fluxes predictions, while fungal based modulation functions led to no improvement.To conclude, the proposed method to integrate microbial diversity was a relevant approach towards a parsimonious representation of microbial diversity influence on C dynamic in generic model. It forms a complementary methodological framework to the dominant explicit and detailed way of microbial diversity representation in C dynamic models.