La modélisation des services écosystémiques passe souvent par la construction de modèles mécanistes parfois complexes, dont la calibration peut s'avérer délicate. Dans ce travail, on s'intéresse à un modèle de pollinisation spatiallement explicite, appliqué au bourdon terrestre (Bombus terrestris). La vraisemblance n'étant pas calculable analytiquement, nous proposons une approche de type Approximate Bayesian Computation (ABC) pour l'estimation des paramètres du modèle. Nous comparons différentes méthodes ABC permettant de prendre en compte la grande dimension des observations. La première étape consiste à définir un ensemble de statistiques résumées sur laquelle les méthodes ABC seront appliquées. Nous considérons ensuite deux stratégies, l'une reposant sur des méthodes de régression pour ajuster les échantillons obtenus selon la loi a posteriori ABC, et l'autre reposant sur des méthodes de type machine learning pour approcher certaines caractéristiques de la loi a posteriori ABC (e.g. moyenne et quantiles). Les résultats obtenus sur données simulées montrent que certains paramètres sont plus faciles à estimer que d'autres, et les approches basées sur des forêts aléatoires s'avèrent plus performantes. L'application aux données réelles montre l'intérêt de l'approche ABC dans le contexte de modèles complexes tout en mettant en évidence les difficultés liées au choix des statistiques résumées et de la méthode.