Le mobile crowdsensing est un nouveau moyen d’acquérir des données datées et géo-localisées, en utilisant une foule de capteurs mobiles (issus de ou connectés à des smartphones), qui sont transmises à un serveur via un réseau sans fil, de type WiFi ou GSM [1]. L’exploitation des données provenant de tels capteurs nécessite le développement de méthodes spécifiques de traitement de l’information. En particulier, l’étalonnage des capteurs ne peut être effectué en laboratoire et doit donc être réalisé à partir des données mesurées directement, via des approches dites aveugles.Dans cette communication, nous revisitons le problème d’étalonnage aveugle de capteurs environnementaux comme un problème informé de factorisation matricielle à données manquantes [2], où les facteurs contiennent respectivement le modèle d’étalonnage fonction du phénomène physique observé (ce modèle peut être notamment affine [2] ou non-linéaire [3]) et les paramètres d’étalonnage de chaque capteur. Nos approches sont dites informées car (i) les facteurs matriciels sont structurés par la nature du problème [2, 3], (ii) le phénomène observé peut être décomposé sous forme parcimonieuse dans un dictionnaire connu [4], et (iii) nous connaissons la fonction d’étalonnage moyenne des capteurs à étalonner.Par ailleurs, dans l’application de surveillance de la qualité de l’air que nous considérons, nous supposons avoir à notre disposition des mesures très précises mais distribuées de manière très parcimonieuse dans le temps et l’espace,que nous couplons aux multiples mesures issues de capteurs d emobile crowdsensing. Les approches proposées sont plus performantes que des méthodes basées sur la complétion de la matrice de données observées ou des techniques multi-sauts faisant appel à des approches robustes de régression