Lorsqu'une navette spatiale ou une capsule rentre dans les couches denses de l'atmosphère, elle décélère fortement tandis qu'une onde de choc se forme en amont du véhicule, provoquant une montée en température et d'importants transferts de chaleur à la paroi. Prévoir l'évolution aérodynamique du véhicule à la rentrée est alors un enjeu essentiel, par exemple pour prédire la zone atterrissage. Pour ce faire, il est possible de s'appuyer sur de la simulation numérique multi-physique ainsi que sur quelques expériences de rentrée atmosphérique. Elles renseignent quant à l'erreur de simulation de l'évolution aérodynamique et à sa variabilité. Pour prévoir une future rentrée atmosphérique, il faut recourir à un modèle génératif qui, à partir des quelques courbes observées, en produit de nouvelles. La difficulté vient du nombre faible de données. L'approche proposée s'inspire modèle KOH (Kennedy O'Hagan), largement répandu en calibration bayésienne de code et reposant sur des processus gaussiens. Cela conduit à un modèle bayésien hiérarchique qui tient compte de la non-stationnarité de l'erreur de modèle. La distribution prédictive peut être efficacement échantillonnée au moyen d'un échantillonneur Monte Carlo Hamiltonien (HMC) dynamique, dénommé No-U-Turn Sampler (NUTS), amplement exploité en statistiques computationnelles. Adapté à des problèmes de dimension conséquente, il va bénéficier des expressions analytiques de la densité cible et de son gradient pour explorer efficacement l'espace. Les échantillons générés, faiblement corrélés, peuvent être par la suite exploités pour prédire l'évolution aérodynamique et la zone d'atterrissage, via l'approximation Monte Carlo d'intégrales multidimensionnelles en grande dimension, et en particulier, pour produire des intervalles de crédibilités.