Pour planifier la transition énergétique, les décideurs ont besoin d’une connaissance approfondie de leur territoire. Pour cela, des données sont collectées de sources multiples, à plusieurs échelles, avec des contraintes comme les politiques de confidentialité. De telles données fournissent des informations sur des zones spatiales mais sans localisation spécifique. C’est le cas du Diagnostic de Performance Energétique (DPE). Les bases de données des DPE réalisés sont publiées sous des contraintes spécifiques : anonymisation, géolocalisation avec adresse postale, détails manquants. Ce document montre que l’apprentissage des DPE observés pour prédire les DPE manquants peut être considéré comme un problème d’interpolation spatiale. Il présente une manière de traiter le DPE en tant qu’information géolocalisée et de prédire sa valeur au niveau du bâtiment. La méthodologie du krigeage est appliquée à des champs aléatoires observés à des emplacements aléatoires pour trouver le meilleur prédicteur linéaire non biaisé (BLUP). Ce nouveau modèle est appelé krigeage de mixtures. Bien que le cadre gaussien habituel soit perdu, nous montrons que la moyenne conditionnelle, la variance et la covariance peuvent être calculées. Ce nouveau modèle donne des résultats intéressants dans la prédiction du DPE au niveau du bâtiment, ce qui est une condition préalable pour que les décideurs ciblent les efforts de rénovation. Le cas spécifique d’une ville française est pris comme exemple. Le modèle présenté inclut également le co-krigeage de mixtures de sorte que les covariables puissent être utilisées pour améliorer le résultat. Il est également suggéré que le krigeage de mixtures puisse être utilement mis en oeuvre pour contrôler la propagation de l’incertitude. Nous présentons des applications en ce sens sur des données simulées.