Les sciences modernes de l'observation telles que la géophysique, l'astrophysique, l'imagerie médicale, etc. produisent un volume énorme de données de haute dimension. Une approche puissante pour analyser ces données et récupérer des informations d'intérêt utilise le formalisme bayésien pour inverser des modèles physiques. Dans cet article, nous montrons l'application d'une méthode basée sur une approche statistique de régression inverse -- GLLiM -- qui a l'avantage de produire des distributions approximant les lois à posteriori cibles. Ces distributions peuvent également être utilisées pour des prédictions plus fines à l'aide d'un échantillonnage d'importance tout en fournissant un moyen de mieux explorer le problème inverse lorsque plusieurs solutions équivalentes existent et d'effectuer une estimation du niveau d'incertitude. Dans cet article, notre objectif est de présenter une application de GLLiM à l'analyse d'une séquence d'images hyperspectrales acquises depuis l'espace pour la même scène martienne et de présenter le logiciel PlanetGLLiM.