Cet article propose une nouvelle méthode de modélisation de la causalité spatio-temporelle, appelée réseaux bayésiens spatio-temporels (STBN). Les réseaux bayésiens existants souffrent d'indiscernabilité et de l'existence de classes d'équivalence de Markov en raison des contraintes des graphes acycliques orientés (DAG). Des graphes cycliques orientés et des graphes temps plein avec des délais d'ordre élevé ont été proposés pour résoudre ces problèmes, mais ils présentent des limites. Les STBN abordent ces problèmes en modélisant la causalité spatio-temporelle du point de vue du transfert d'information. Plus précisément, nous expliquons la dégradation de la structure du réseau par le principe de blocage du chemin d'information et démontrons l'unicité des STBN. De plus, nous présentons l'algorithme d'entropie causale d'ordre supérieur (HCE), qui identifie de manière unique les STBN, avec une complexité temporelle de $\mathcal{O}(n^3\tau_{max})$. Les résultats expérimentaux démontrent que l'algorithme HCE atteint une précision d'identification de pointe. Le code est accessible au public.
