La prédiction des series temporelles (TS) multivariées est l'un des sujets les plus difficiles qui puisse aider à une estimation et une gestion avancées pour la prise de décision dans des domaines environnementaux tels que la prédiction des catastrophes naturelles. En fait, plusieurs capteurs d’observation de la terre (OT) sont utilisés pour collecter ces TS. Par conséquent, une quantité massive de données est générée à un rythme exponentiel. La gestion et l'exploitation de ces données pour la prédiction des catastrophes naturelles présentent donc plusieurs défis. Le premier défi est le volume et la variété des données. Les données d’OT sont vastes et diverses : imagerie satellitaire, données géospatiales, données radar, etc. La gestion et le traitement de grands volumes de données provenant de diverses sources nécessitent des techniques efficaces de stockage, de puissance de calcul et de gestion des données. En outre, l'intégration d'autres types de données, telles que les données météorologiques, biophysiques et sociales, rend le processus de gestion des données encore plus complexe. Le deuxième défi concerne la qualité et le prétraitement des données. Les données d'observation de la Terre contiennent souvent du bruit, des valeurs manquantes et des valeurs aberrantes. Pour obtenir des prédictions précises, il est essentiel de garantir la qualité des données grâce à des techniques de prétraitement telles que la correction, le filtrage et l'interpolation. Le troisième défi est l'intégration des données. En fait, l'intégration de données provenant de diverses sources telles que l'imagerie satellite, les modèles climatiques et les capteurs au sol est cruciale pour l'établissement de prédictions complètes. Cependant, l'intégration de diverses sources de données, la gestion de l'hétérogénéité des données et le traitement des données manquantes constituent un défi. Le quatrième défi concerne la dynamique et les interactions spatio-temporelles. Les catastrophes naturelles sont des processus dynamiques influencés par divers facteurs. Il est donc difficile de modéliser les dépendances spatio-temporelles complexes entre les variables dans les prédictions multivariées des TS. Plusieurs modèles de prédiction ont été proposés par les chercheurs. Mais il n'existe pas de règle pour choisir le modèle de prédiction le plus approprié. Un modèle qui prend en compte les propriétés sophistiquées des données d'OT et les dépendances, la causalité et les effets de décalage entre les variables. Ainsi, pour relever ces défis, cette thèse présente deux contributions principales. La première contribution, une technique avancée de gestion des données, et une infrastructure de stockage évolutive sont proposées. Cette architecture est composée de trois couches principales : 1) la collecte et le prétraitement des données, 2) le chargement et le stockage des données, et 3) la visualisation et l'interprétation. L'expérimentation a été réalisée à l'aide de données recueillies en Chine pour une application relative à la sécheresse. La deuxième contribution est un graphique hétérogène spatio-temporel utilisant des séries temporelles d'observation de la terre multivariées, à savoir HetSPGraph. HetSPGraph étend le graphe hétérogène conventionnel en incorporant de multiples modalités de sources de données. La méthodologie proposée se compose de trois couches : corrélations spatiales, corrélations temporelles et réseau de prédiction. Les résultats ont montré que HetSPGraph donnait de bons résultats pour la prédiction de la sécheresse en Chine.