Planifier la transition énergétique requiert des décideurs une connaissance approfondie de leur territoire. Ce dernier est étudié à travers des données collectées de sources multiples, à diverses échelles et sous des contraintes de confidentialité. Ces données renseignent des objets, tels que les bâtiments. Ainsi, étudier la performance énergétique des bâtiments demande d'apprendre des Diagnostic de Performance Énergétique (DPE) réalisés, lesquels sont publiés avec un géolocalisation à adresse postale dont la position est incertaine. Ce travail montre que l'apprentissage des DPE observés pour prédire les DPE manquants peut être envisagé comme un problème d'interpolation spatiale. Il propose une manière de traiter le DPE en tant qu'information géolocalisée et de prédire sa valeur à l'échelle 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, appelé krigeage de mixtures, estime une moyenne et une variance du DPE pour un bâtiment non observé. Ces estimations fournissent aux décideurs une valeur attendue du DPE ainsi qu'une incertitude sur la prédiction. Le cas spécifique d'une ville française est pris comme exemple. Des applications sur des données simulées sont aussi présentées, suggérant que le krigeage de mixtures puisse être utilisé plus largement pour contrôler la propagation d'incertitude. L'ensemble du travail depuis la collecte des données jusqu'à la production cartographique en passant par la modélisation et l'optimisation a été codé en R.