Les calottes polaires (Antarctique et Groenland), en perdant ou gagnant de la masse, jouent un rôle majeur dans l'évolution du niveau des mers. Pour estimer leur contribution future pour les 100 prochaines années, il est nécessaire de disposer de modèles d'évolution performants et d'états initiaux les plus proches de ce qu'on observe. Ces modèles sont principalement contrôlés par les variables suivantes : coefficient de frottement basal, topographie du socle rocheux, épaisseur de glace, champ de température dans la glace. Cependant, nous ne disposons pas d'états initiaux sur toutes ces variables pour nos simulations. Néanmoins, nous possédons un certain nombre d'observations telles la hauteur de surface, les vitesses de surfaces ou la topographie du socle (pas partout). Utiliser l'assimilation de données pour construire nos états initiaux semble donc pertinent dans ce cadre. Nous avons mis en place un filtre de Kalman d'ensemble LETKF [Hunt et al., Physica D, 2007] afin de construire un état initial de calotte optimal grâce aux observations disponibles. Nous commençons par des expériences jumelles avec un modèle d'évolution 2D nommé Winnie (le long d'une ligne d'écoulement) comme premier pas vers l'assimilation de données avec un modèle 3D, GRISLI. Malgré sa simplicité, la physique contenue dans Winnie est fortement non linéaire et ce modèle est un bon prototype pour tester nos méthodes. Nous étudions aussi la qualité des variables retrouvées à l'aide de diagnostics a posteriori.