Dans un problème de classification supervisée, les données d'apprentissage proviennent souvent d'inventaires acquis sur le terrain par des experts du domaine. Toutefois, la localisation de ces inventaires est approximative (en raison de la précision intrinsèque des GPS portables utilisés). Cette imprécision spatiale est particulièrement problématique lorsque ces données sont utilisées pour entrainer un classifieur sur des images satellitaires très haute résolution (THR). En effet, la précision spatiale des inventaires peut être dans certains cas bien inférieure à celles de ces images. Dans ce papier, nous proposons trois approches visant à améliorer la précision spatiale des données terrain via des prétraitements. Le principe est d'exploiter les images satellitaires THR disponibles pour corriger spatialement les données terrain. Nos expérimentations mettent en avant l'intérêt de ces pré-traitements sur un jeu de données constitué de 24 inventaires d'habitats coralliens et une image satellitaire THR (WorldView-2).