La reconstruction des changements climatiques survenus dans les derniers milliers d'années est cruciale pour comprendre la dynamique du climat dans des conditions différentes de celles enregistrées de nos jours (e.g insolation, concentration en CO$_2$). De telles reconstructions peuvent être obtenues en modélisant les relations entre le climat et les pollens retrouvés dans les sédiments lacustres. Ces modèles, appelés Fonction de Transfert (FT), sont des modèles statistiques purement descriptifs qui, malgré la diversité de leur forme, se basent tous sur un même groupe d'hypothèses. Cela réduit la confiance que l'on peut avoir dans des reconstructions uniquement obtenues à l'aide de ces FT. Au contraire, des FT basées sur les mécanismes liant l'environnement à la végétation et au pollen fourniraient des reconstructions basées sur des hypothèses différentes et soutenues par les recherches récentes en écologie. Pour obtenir ce type de FT nous proposons de coupler un modèle mécaniste de végétation et un modèle bayésien hiérarchique. Le cadre bayésien est naturellement approprié pour l'inférence d'un modèle dont la vraisemblance est implicitement définie par un simulateur mécaniste. Cependant, ici, elle est compliquée par les dimensions spatio-temporelles considérées. Nous montrons comment le problème peut être abordé en combinant des algorithmes de Monte Carlo pour un cas réel de reconstruction de l'Holocène en Suède. Ce type de modèle forme la prochaine génération de FT mais nécessite de poursuivre le développement d'outils statistiques pour l'inférence de modèles composites dans la lignée de ce qui est proposé en Calcul Bayésien Approché (ABC) et émulation de modèle.