Aujourd'hui, dans différents pays, il existe de nombreux sites dont les eaux souterraines sont polluées en raison de la manipulation ou de l’élimination inadéquate de matériaux ou de déchets dangereux. La modélisation de tels sites est importante pour la prévision correcte du comportement des eaux et sols pollues et pour l’évaluation des risques environnementaux. Beaucoup d'incertitudes sont associées aux paramètres et aux états initiaux de tels modèles numériques environnementaux. Les techniques statistiques s’avèrent très utiles pour traiter ces incertitudes. Cet article décrit les méthodes de propagation d'incertitude et d'analyse de sensibilité globale qui sont appliquées a un modèle numérique de migration de radionucléides. Le milieu étudié est une couche aquifère contaminée par un stockage de déchets radioactifs sur le site de l'Institut Kurchatov a Moscou, Russie. Nous considérons vingt paramètres incertains du modèle et vingt variables de sortie du modèle (concentrations en contaminant dans les puits d'observation, prédites par le modèle en décembre 2010). Des simulations de Monte Carlo permettent de calculer l'incertitude sur les prévisions et rendent compte de la linéarité et de la monotonie des relations entrées-sorties. Si les relations sont non monotones, les analyses de sensibilité sont réalisées avec les indices de sensibilité de Sobol. L’originalité de cette étude est l'utilisation de surfaces de réponse complexes et modernes (boosting d'arbres de régression), construites sur chaque variable de sortie, pour calculer les indices de Sobol par la méthode de Monte Carlo. On montre ainsi que les paramètres les plus influents du modèle sont les coefficients de distribution et le taux d'infiltration dans la zone de fuite de canalisations. L'amélioration de ces paramètres réduirait considérablement les incertitudes sur les prévisions du modèle.