Les espaces hyperboliques ont récemment attiré l’attention de la communauté de l’apprentissage automatique du fait qu’ils permettent de mieux représenter les données hiérarchiques que les espaces Euclidiens. En conséquence, de nombreux modèles populaires d’apprentissage automatique, tels que les Réseaux de Neurones de Graphes (GNNs) et les Auto-Encodeurs Variationnels (VAEs), ont été généralisés avec succès afin de représenter des données dans les espaces hyperboliques. Dans cet article, nous cherchons à savoir si les promesses faites par les différents travaux utilisant les espaces hyperboliques peuvent être atteintes dans le contexte des données de télédétection. À notre connaissance, il s’agit de la première évaluation des bénéfices des espaces hyperboliques dans la communauté de la télédétection. Nous nous focalisons particulièrement sur le problème de classification de scènes d’images de télédétection, dans lequel les exemples sont des images dont les étiquettes sémantiques sont généralement intrinsèquement structurées. Nous utilisons un Auto-EncodeurVariationnel pour projeter les données dans un espace latent hyperbolique et nous analysons l’organisation de l’espace induit en fonction de la structure des labels. Nous supervisons également l’apprentissage du VAE afin de guider la construction de l’espace latent en fonction de la hiérarchie des classes. Nous réalisons des expériences sur le jeu de données de télédétection PatternNet et effectuons une évaluation sur une tâche de classification, en prenant en compte la distance hiérarchique inter-classes. Les résultats expérimentaux indiquent que l’espace hyperbolique n’améliore pas la précision globale de la classification par rapport à un espace Euclidien, mais permet d’améliorer légèrement les performances lorsque l’on considère la distance entre l’étiquette prédite et la vraie étiquette dans la hiérarchie des labels.