Le mobile crowdsensing permet d’acquérir des données datées et géo-localisées – en utilisant une foule de capteurs mobiles – qui sont transmises à un serveur via un réseau sans fil. L'exploitation des données provenant de tels capteurs nécessite le développement de méthodes spécifiques de traitement de l’information, notamment pour réaliser à distance l'étalonnage des capteurs ; celui-ci ne pouvant être effectué en laboratoire. Nous avons récemment revisité le problème d'étalonnage de capteurs mobiles comme un problème informé de factorisation matricielle à données manquantes. Notre approche consiste (i) à discrétiser dans le temps et l'espace l'espace observé, (ii) à représenter le champ partiellement observé par chaque capteur non-étalonné (mais aussi par les capteurs de référence des AASQA) sous forme d'une matrice à données manquantes et (iii) à réécrire cette matrice comme le produit de deux facteurs matriciels. Le premier facteur contient la structure d'étalonnage du capteur environnemental (et notamment les concentrations du phénomène observé après étalonnage) alors que le second facteur matriciel contient les paramètres d'étalonnage de chaque capteur. Dans cette communication, nous proposons d'informer la factorisation par un a priori spatial, de type modèle géo-statistique ou approximation parcimonieuse, pour conjointement réaliser une cartographie du phénomène observé et réaliser l'étalonnage des capteurs.