Vous êtes sur la page 1sur 10

ETUDE DE CORRELATION DES PARAMETRES METEOROLOGIQUES POUR

CARACTERISER DES SITES EOLIENS : CAS DE N’GUIGMI

MOUMOUNI GUERO Mohamed1-2-3, PRODJINONTO Vincent1-2, FANNOU Jean-Louis1

1
Département de Génie Mécanique et Energétique, Ecole Polytechnique d’Abomey-Calavi, République du Bénin
2
Laboratoire d’Energétique et de Mécanique Appliquée, Université d’Abomey Calavi, République du Benin
3
Université Dan Dicko Dankoulodo de Maradi, République du Niger
* Adresse électronique de l'auteur : prodjinontov@yahoo.fr
elhmehd@gmail.com
jlfannou@gmail.com

Résumé
Dans le but d’évaluer l’impact du changement climatique sur les régimes du vent, nous avons
réalisé une analyse statistique de certains paramètres météorologiques. En effet, des variables
telles que la température, l’humidité, la pression et l’insolation sont très peu ou pas pris en compte
dans l’estimation des régime de vent et donc dans la caractérisation des sites éoliens. L’on se
contente, dans les projets d’installation de parc éolien d’évaluer le potentiel du vent avec des
données qui fluctuent beaucoup. Dans ce travail, nous avons étudié l’influence des paramètres
météorologiques sur les régimes éoliens dans la zone Est du Niger. Nous avons dans un premier
temps, sur la base des données collectées à la station de N’Guigmi par la Direction Nationale de la
Météorologie, sur une période de 10 ans, caractérisé chacun des paramètres part leur moyenne
mensuelle et interannuelle. Il ressort de cette étude que dans le courant de 2010 et 2019, les
valeurs extrêmes obtenues sont : température [mai (34,60 ℃), janvier (21,69 ℃)], Humidité [août
(66,76%), mars (18,37%)], pression [janvier ( 980,6. mbar ), mai (971,13. mbar )], vitesse
[décembre (6,36 m.s-1), septembre (4,32 m.s-1)], insolation [novembre 10,17 (Wh . m−2), août 7,55
(Wh . m−2)]. Dans un deuxième temps, nous avons étudié la variabilité interannuelle de ces
variables. A ce niveau, les courbes représentées montrent de grandes fluctuations. Nous avons
alors représenté des courbes de tendances qui nous ont montré, que durant ces dix années,
humidité, insolation et vent ont subi de légères croissances tandis que température et pression ont
sensiblement baissées. Enfin, nous avons utilisé l’analyse en composantes principales pour
analyser la corrélation des différents paramètres météorologiques sur la vitesse du vent. Nous
avons mis en œuvre l’outil statistique XLSTAT qui prend en entrée un certain nombre de variables
et en sort, leur influence sur une variable cible. La prépondérance de l’influence de chaque
variable s’apprécie à partir d’un plan factoriel fourni par XLSTAT. Ainsi, après analyse du plan
factoriel nous somme parvenu à la conclusion que la température est pour beaucoup dans la
circulation du vent. La seconde variable qui conditionne la production du vent est l’humidité. Ces
résultats comblent bien nos attentes. En effet, le vent étant de l’air en circulation, sous une
température élevée, sa densité baisse et sa circulation est facilitée. Cependant, avec l’humidité,
elle s’alourdie et le vent circule moins vite. Nous venons ainsi de prouver sur la base d’observation
des variations de températures cumulées avec celles de l’humidité, qu’il est possible de prévoir le
régime de vent et par voie de conséquence, déterminer un site pouvant abriter un parc éolien.

Mots-clés : Paramètres météorologiques, variabilité climatique, Analyse en composantes


principales, Etude corrélative, Régimes éoliens, logiciel XLSTAT

1
1. INTRODUCTION
Le Niger est un pays du sahel enclavé, semi désertique d’une superficie de 1,267 millions de
2
km . Les mesures de vitesse de vent y sont limitées à quelques zones seulement à travers le
territoire. Le dimensionnement de projets d'énergie éolienne est un besoin fondamental et
indispensable pour son développement. Il nécessite de connaître les données de régime de vent
dans une localité géographique d’implantation en utilisant des modèles efficaces pour les estimer
et surtout, comprendre l’influence de certains paramètres météorologiques. Les propriétés du vent
sont étroitement liées à la variation saisonnière, donc à l’environnement météorologique. Le vent
est un mouvement des masses d’air provoqué par le réchauffement différentiel de la surface de la
terre et la rotation de celle-ci autour de son axe. Par suite de la variabilité des très nombreux
paramètres qui le gouvernent, sa vitesse horizontale instantanée présente un caractère spatio-
temporel fluctuant qui justifie des considérations spectrales (Akrabou Omar et al.2017). Une
approche simple qui est valable pour les zones climatiques sahariennes.

Etant donné que la vitesse du vent change sans cesse, la capacité énergétique du vent varie
évidemment aussi. Plusieurs facteurs contribuent à déterminer les variations du vent : le temps
qu’il fait, la topographie du terrain et les obstacles. La production énergétique des éoliennes varie
en fonction des variations des vitesses du vent (Saidou Madougou.2010). Les grandeurs qui
influencent la variation des régimes saisonniers éoliens étant très variés, leurs études nécessitent
donc l’application des méthodes multivariées. Ces techniques statistiques multivariées ont été
utilisées par nombre de chercheurs pour faciliter la résolution et la compréhension des problèmes.
Ces techniques ont été utilisées avec succès (Amani M. Kouassi et al.2010) pour permettre de
comprendre l’influence de la variabilité climatique sur les régimes pluviométriques en Afrique de
l’Ouest et l’étude hydrochimique des eaux souterraines de la région des lacs (G. SORO et
al.2019).

Beaucoup de chercheurs ont mené des travaux dans l’évaluation du potentiel éolien, mais très
peu se sont penchés sur les paramètres qui peuvent agir sur la variation spatiale et temporelle de
ces gisements. A.A. Koukpemedji et al.2015 ont étudié l’influence de la température, de la
pression et de l’humidité relative de l’air sur le potentiel éolien dans la zone côtière du Bénin dans
le Golfe de Guinée. Ils ont proposé un coefficient qui montre l’impact de la température, de la
pression et de l’humidité relative sur la puissance éolienne. S.M. El Moustapha, M.L. et
al.2014, E. Guerber et al.2008 ont aussi traité des questions relatives à la modélisation
statistique du vent et l’influence des paramètres climatiques sur son transport et sa distribution.

Notre étude prend en compte quatre (4) paramètres météorologiques à savoir la pression, la
température, l’humidité relative et l’insolation, reparties sur dix (10) ans avec un pas de collecte de
trois (3) heures. Elle se base sur l’utilisation des techniques d’analyses statistiques multivariées à
savoir l’Analyse en Composantes Principales (ACP) pour comprendre l’influence de ces paramètres
météorologiques sur la fluctuation temporelle du vent dans la zone de N’Guigmi (Est du Niger).

2. MATERIELS AND METHODES


2.1 Présentation du site d’étude et des données exploitées
N’Guigmi est située à 14°15’10’’ nord et 13°06’39’’ est, à environ 140 km au nord-est de Diffa
et 1493 km à l’est de Niamey, capitale du Niger. La ville de N’Guigmi se trouve sur l’ancien rivage
du lac Tchad et fait frontière avec le Tchad et le Nigeria. La région possède un climat désertique
chaud à longue saison sèche avec des températures très élevées et moins de 200 mm de pluie
concentrés sur 3 mois en été, typique de la zone saharo-sahélienne entre le Sahara et le Sahel. La
température moyenne journalière y est comprise entre 29°C et 30°C avec une température
1
moyenne maximale de 38°C et une température moyenne minimale de 21°C (classification de
Köppen BWhw, Micha Belda et al, 2014).
Les paramètres météorologiques étudiés sont la vitesse de vent, la température de l’air, l’humidité
relative de l’air, la pression atmosphérique et l’insolation recueillis auprès de la direction nationale de la
météorologie (DNM). Ces données couvrent une période de dix (10) ans, notamment de 2010 à 2019
et sont mesurées à 10 mètres d’altitude à un pas de 3h.

2.2 Etude de la variation des paramètres météorologiques

Les valeurs moyennes de la température, l’humidité relative, la pression atmosphérique et


l’insolation ont été analysées pour comprendre leur variation saisonnière et interannuelle. Il a été
question de définir leurs moyennes mensuelles et annuelles et ainsi donc d’étudier leur tendance
et fluctuation.

2.3 Analyse en composantes principales (ACP)


L’analyse en composante principale permet de développer un modèle mathématique basé sur
les données expérimentales disponibles, permettant ainsi d'estimer, d'étudier et d'identifier les
liaisons entre variables et les ressemblances entre individus.

a. Propriétés du coefficient de corrélation


Variables liées : | cor (x, y) | = 1 si et seulement si x et y sont linéairement liées :

ax i+ by i=c, (1)

pour tout 1 ≤ i ≤ n. En particulier, cor (x, x) = 1.

Variables décorrélées si cor (x, y) = 0, on dit que les variables sont décorrélées mais cela ne
veut pas dire qu’elles sont indépendantes.
Le coefficient r de Bravais-Pearson ou coefficient de corrélation est donné par  : (Jean-Marc
Lasgouttes, 2014)

σ ∑ pi (x i−x ¿ )( y i− y )
cor ( x , y ) =r xy = xy = i=1 ¿ (2)
σxσ y n
√ ∑ pi ¿ ¿
i=1

Cet indice statistique exprime l’intensité et le sens de la relation linéaire entre deux variables
quantitatives. Il assume des valeurs comprises entre -1 et 1. On a toujours (inégalité de Cauchy-
Schwarz)

−1 ≤ cor ( x , y )≤ 1 (3)

b. Nombre d’axes à retenir


L’ACP visant à réduire la dimension de l’espace des individus, on veut conserver aussi peu
d’axes que possible. Il faut pour cela que les variables d’origine soient raisonnablement corrélées
entre elles. Les seuls critères utilisables sont empiriques. On s’efforce de ne retenir que des axes à
propos desquels une forme d’interprétation est possible (soit directement, soit en termes des
variables avec lesquelles ils sont très corrélés).

c. Corrélation entre composantes et variables initiales (Jean-Marc Lasgouttes, 2014)


1
Sur les variables centrées-réduites, cette corrélation s’écrit :

( )
p
1 1
cor ( z j , c k ) = cov ( z j ,c k ) = cov ∑ alj , c k (4)
√ var ( c k ) √ λk l=1

p
1 1
¿ ∑ alj cov (cl ¿ , c k )= λ a =√ λk ukj ¿ (5)
√ λ k l=1 √ λk k kj
Position dans un plan : On sait que var(zj) = 1, mais on peut aussi écrire :

( )
p p
var ( z )=cov ( z , z ) =cov
j j j
∑ akj c k , ∑ alj c k
l=1 l =1
p p p p
¿ ∑ ∑ akj alj cov (¿ ¿ c k , c l)=∑ λk a2kj=∑ [cor ( z j ¿, c k )]2 . ¿ ¿ ¿ (6)
k=1 l=1 k=1 k=1

Par conséquent, les 2 premières coordonnées sont dans un disque de rayon 1, puisque :

[ cor ( z , c ) ] +[ cor ( z ]
2 2
j
1
j
,c 2 ) ≤ 1 (7)

Dans le cas de notre étude, nous avons utilisé Excel de la Suite Office pour l’analyse de nos
paramètres. L’outil d’étude statistique XLSTAT, qui va avec Excel, nous a permis de mener
l’analyse en composantes principales. Cet outil de data mining permet d’explorer un jeu de
données multidimensionnels constitués de variables quantitatives afin d’étudier et de visualiser les
corrélations entre les variables, dans le but d’éventuellement limiter le nombre de variables à
mesurer par la suite. Nos variables quantitatives d’entrée sont la pression, la température,
l’ensoleillement et l’humidité relative, tandis que le libellé des observations est la vitesse du vent.
Le type d’ACP exécuté est la corrélation de Pearson et toutes les variables sont les moyennes
mensuelles des données trihoraires collectées de 2010 à 2019.
3. RESULTATS
L’analyse des paramètres météorologiques nous amène à déterminer les moyennes mensuelles
et interannuelles de la température, l’humidité, la pression, l’insolation et la vitesse du vent. Le
tableau ci-dessous nous donne les moyennes mensuelles de ces paramètres.

Tableau 1 : Moyennes mensuelles des paramètres métrologiques utilisés dans l’étude
Paramètre/ Jan Fév Mars Avril Mai Juin Juil Août Sept Oct Nov Déc
Période
Température (°C) 21.69 25.64 29.66 33.09 34.60 34.39 32.07 29.94 31.46 31.12 27.19 22.23
Humidité (%) 24.41 19.84 18.37 19.89 30.31 42.96 55.84 66.76 56.02 34.69 25.69 27.99
Pression (mbar) 980.9 978.2 976.8 975.5 971.1 973.2 973.8 977.1 977.0 975.9 977.5 980.4
6 2 8 0 3 0 1 7 4 8 7 7
Insolation (wh.m-2) 9,49 9,62 8,78 8,78 9,09 8,54 8,07 7,55 8,43 9,53 10,17 9,48
Vent (m.s-1) 6,06 5,83 5,82 5,16 4,95 4,58 4,80 4,50 4,32 5,13 5,56 6,35

Les variations interannuelles sont représentées sur les figures 1 à 5. Ces variations sont
accompagnées de leur courbe de tendance afin de visualiser leur progression ou régression.

1
38.00
30.80
37.00

Humidité relative (%)


36.00
Température (°C)

29.80 35.00
34.00
33.00
28.80
32.00
31.00
27.80 30.00
2010 2012 2014 2016 2018 2020 2010 2012 2014 2016 2018 2020
Années
Années

Figure 1 : Variation interannuelle de la température Figure 2 : Variation interannuelle de l’humidité relative
Pression atm (mbar)

979 9.40
978 9.20

Insolation (Wh.m-2)
977
976 9.00
975 8.80
974 8.60
973
8.40
972
971 8.20
970 8.00
2010 2012 2014 2016 2018 2020 2010 2012 2014 2016 2018 2020
Années Années

Figure 3 : Variation interannuelle de la pression Figure 4 : Variation interannuelle de l’insolation

5.80
Vitesse de vent (m.s-1)

5.40

5.00

4.60

4.20
2010 2012 2014 2016 2018 2020
Années

Figure 5 : Variation interannuelle de la vitesse de vent

Application de l’analyse en composantes principales (ACP)


L'Analyse en Composantes Principales (ACP) est une méthode très efficace pour l'analyse de
données quantitatives (continues ou discrètes) se présentant sous la forme de tableaux à M
observations / N variables. C’est une méthode descriptive qui permet d’effectuer une
représentation simplifiée d’une série de variables intercorrélées. Son application aux 6 variables qui
sont la température maximale et la température minimale, l’humidité relative maximale et
minimale, la pression atmosphérique et l’insolation a donné les résultats constituant notre base
d’interprétation.
Le premier résultat intéressant à identifier par suite d’une analyse en composantes principales
est la matrice des corrélations qui permet d’analyser les relations qui existent entre les différentes
variables retenues. Cette matrice est représentée sur le tableau 02.

1
Tableau 2 : Matrice de corrélation (Pearson) entre les variables analysées
Insolatio
Variables Pression n Temp Max Temp Min Hum Max Hum Min
Pression 1
Insolation 0.189 1
Temp Max -0.569 -0.163 1
Temp Min -0.561 -0.521 0.844 1
Hum Max -0.190 -0.623 0.107 0.555 1
Hum Min -0.132 -0.683 -0.002 0.492 0.959 1

La diagonalisation de la matrice de corrélation donne les valeurs propres présentées dans le


tableau 03. Chaque facteur est caractérisé par une valeur propre, une part de la variance totale
(% de variabilité), et une part de la variance cumulée (% cumulée).

Tableau 03 : les valeurs propre des axes principaux.


F1 F2 F3 F4 F5 F6
Valeur propre 3.274 1.723 0.519 0.427 0.039 0.017
28.70
Variabilité (%) 54.575 9 8.653 7.124 0.658 0.282
83.28 99.71
% cumulé 54.575 4 91.936 99.060 8 100.000

A travers le tableau 3, on remarque que le premier axe (F1) permet d’expliquer (54,575%) de
la variance totale du nuage de points, que le second axe (F2) permet d’expliquer (28,709%) de la
variance totale. En projetant donc chaque individu sur un plan (F1, F2) on conserve 83,284% de la
variance totale. En effet, 75 % représente la valeur de référence acceptable dans le cadre d’une
étude ACP. Les deux premiers facteurs contiennent donc l’essentiel des informations relatives aux
matrices des données.

L’analyse factorielle des correspondances a permis une description des relations entre le régime
des vents et les autres paramètres météorologiques. Des analyses de variance ont permis de juger
de la signification des relations mises en évidence par l’analyse factorielle.

Tableau 4 : Corrélations entre les variables et les facteurs


F1 F2 F3 F4 F5 F6
Pression -0.536 -0.590 0.588 0.138 0.000 0.000
Insolation -0.754 0.328 -0.165 0.544 -0.027 0.001
Temp Max 0.555 0.769 0.287 0.097 0.066 -0.068
Temp Min 0.886 0.381 0.213 0.100 -0.097 0.074
Hum Max 0.830 -0.465 -0.096 0.263 0.126 0.038
Hum Min 0.798 -0.561 -0.097 0.156 -0.095 -0.073

1
Variables (axes F1 et F2 : 83,28 %)
1

0.75

0.5

0.25

F2 (28,71 %)
0

-0.25

-0.5

-0.75

-1
-1 -0.75 -0.5 -0.25 0 0.25 0.5 0.75 1

F1 (54,57 %)

Variables actives

Figure 6 : Espace des variables des plans factoriels F1-F2

L’analyse dans l’espace des variables a été réalisée dans les plans factoriels F1-F2. Le tableau
4 nous montre des valeurs positives de corrélations très élevées de la température maximale et
minimale avec les composantes principales F1 et F2. La variable humidité est fortement corrélée
avec l’axe F1 et négativement corrélée avec l’axe F2. La pression est négativement corrélée avec
les deux axes principaux et l’insolation est négativement corrélée avec F1 et positivement avec F2.
Les résultats obtenus révèlent que la température et l’humidité relative sont les facteurs qui
influencent le plus la variation de vitesse de vent. En effet, la température reste le paramètre
météorologique le plus influent dans la variation de la vitesse du vent du fait de sa corrélation très
forte avec les facteurs F1 et F2. Ensuite vient l’humidité relative de l’air, l’insolation et enfin la
pression (Tableau 3).

4. DISCUSSION
L’analyse des données recueillies souligne la tendance générale de la variation de la vitesse des
vent et des autres paramètres météorologiques étudiés dans la zone de N’Guigmi de 2010 à 2019.
L’étude du tableau 1 nous montre une hausse remarquée de la température pendant les mois
de Mars, Avril et Mai et une baisse sur les mois de Décembre et de janvier. Ces températures
moyennes mensuelles varient entre 21,69 °C (Jan) et 34,60 °C (Mai). La figure 1 nous renseigne
sur la variation de la température sur les dix ans. Sur la période d’étude, les années avec le plus
hautes températures restent l’année 2010 et 2013.
L’analyse de la courbe de l’humidité relative nous informe du faible niveau de ce paramètre
dans cette zone. Ces valeurs reflètent parfaitement la particularité de la région. Les valeurs basses
de l’humidité relative se justifie par le fait que la zone de N’Guigmi soit une zone désertique, donc
avec beaucoup de soleil et de vent.
Les courbes variation interannuelles de la pression atmosphérique et de l’insolation indiquent
leur valeur maximale sur l’année 2015 pour les deux paramètres météorologiques. Les valeurs
moyennes minimales de l’insolation sont observées en 2012, année au cours de laquelle on a les
températures moyennes les plus basses enregistrées et l’humidité relative de l’air la plus élevée, ce
qui est parfaitement cohérent. Les vitesses moyennes maximales sont enregistrées en 2017, qui
correspond à l’année avec les pressions les plus basses, une insolation assez élevée et des valeurs
1
de températures et de l’humidité relative proche de la moyenne. On remarque dans ce cas aussi
une concordance des résultats puisque le vent étant de l’air en mouvement, plus il y’a du soleil et
plus l’air est moins dense et donc léger, ce qui facilite son mouvement.
On peut observer que c’est l’effet conjugué de la température de l’air et de l’humidité relative
qui agit sur la vitesse du vent. La température, du fait de sa corrélation positive avec les deux
composantes principales reste le paramètre le plus influent, tandis que l’humidité, avec une
corrélation très positive avec la composante principale F1 et négative avec la composante F2 influe
également.
Un regard sur les valeurs consignées dans le tableau 3 nous permet d’établir un classement en
termes d’influence de chacun des quatre paramètres étudiés sur la variation de la vitesse du vent.
Ainsi, on voit clairement que le paramètre le plus influent reste la température, suivi de l’humidité
relative, de l’insolation et enfin de la pression atmosphérique. Ces résultats nous amènent à
affirmer que pour caractériser efficacement un site éolien, il serait préférable de connaitre les
paramètres météorologiques qui régissent la zone. Les seuls paramètres topographiques et
d’obstacles ne permettent pas de définir réellement un site éolien.
Dorénavant avec ces résultats, connaitre la variation de la température, de l’humidité et de
l’ensoleillement dans une zone permettra de déterminer la tendance de la variation de la vitesse
du vent et donc de pouvoir décider de la viabilité ou non d’un site éolien.
Les résultats obtenus peuvent être mis en relation avec des travaux d’autres chercheurs.
D’après les résultats des travaux A.A. Koukpemedji et al.2015, AKRABOU Omar et al, la
variabilité des paramètres météorologiques, notamment la température, l’humidité et la pression
influent beaucoup sur les régimes éoliens saisonniers. Amani M. Kouassi et al.2010 ont montré
que la fluctuation des paramètres climatiques comme la température ou l’humidité relative se fait
ressentir sur d’autres paramètre météorologique notamment sur la pluviométrie.

5. CONCLUSION ET PERSPECTIVES
De prime à bord, une analyse de la distribution de l’humidité relative, de température, de la
pression et de l’insolation est effectuée afin de visualiser leur évolution temporelle.
Les températures moyennes mensuelles étudiées varient entre 21,69 °C (Jan) et 34,60 °C
(Mai). Les moyennes mensuelles maximales sont observées pendant les mois d’Avril et de Mai, qui
sont de façon générale les mois les plus chauds du pays. Les températures sont élevées dans leur
ensemble, et varient beaucoup durant l’année. Des valeurs supérieures à la moyenne ont été
enregistrées avec une baisse significative en 2012 et 2015 par rapport à la température moyenne
qui est de 29,42°C.
Pour ce qui est de l’humidité relative, le constat général est qu’elle a des valeurs assez basses,
dû au fait que la zone d’étude est située à la porte du désert. Les valeurs observées néanmoins
sont de l’ordre de 18.37 % en minima (Mars) et 66.76% en valeur maximale (août qui reste le
mois le plus arrosé au Niger).
L’insolation et la pression atmosphérique se manifeste aussi par leurs valeurs maximales et
minimales respectivement de 10,17 wh.m-2 et 7,55 wh.m-2 ; et 980,96 mbar et 971,13 mbar. On
remarque que les mois de décembre et de janvier présentent les valeurs de pression les plus
élevées, tandis que les valeurs minimales de l’insolation sont observées durant la saison pluvieuse
(Juin, Juil, Aout, Sept).
Ensuite, l’analyse en composantes principales est utilisée pour étudier la corrélation de
l’humidité relative, de température, de la pression et de l’insolation par rapport à la vitesse du
vent. Ainsi, après analyse du plan factoriel nous somme parvenu à la conclusion que la
température est pour beaucoup dans la circulation du vent. La seconde variable qui conditionne la
production du vent est l’humidité. Ces résultats sont très satisfaisants du moment où, le vent étant
de l’air en circulation, sous une température élevée, sa densité baisse et sa circulation est facilitée.

1
Cependant, avec l’humidité, elle s’alourdie et le vent circule moins vite. Nous pouvons sans aucun
doute affirmer, sur la base d’observation des variations de températures cumulées avec celles de
l’humidité, qu’il est possible de prévoir le régime de vent en connaissant ces paramètres.
Enfin, on retient des conclusions de cette étude que l’analyse des paramètres météorologiques
tels que la température et l’humidité relative nous permet de connaitre la variation du vent ou de
prédire son comportement dans le temps et par voie de conséquence, déterminer un site pouvant
abriter un parc éolien.
Les travaux futurs nous conduirons à déterminer de façon précise l’influence quantitative de
chacun des paramètres étudiés et ainsi donner leur niveau exact de participation dans la
caractérisation des sites éoliens.

NOMENCLATURE :
DNM : Direction nationale de la météorologie
ACP = analyse en composantes principales
X, Y, Z : données brutes/centrées/centrées réduites
xj, yj, zj, : variable brute/centrée/centrée réduite
p : poids p1, . . ., pn des individus (de somme égale à 1).
λk = valeurs propres de la matrice
σjl, rjl : réel covariance/corrélation de xj et xl
ck : composante principale (nouvelle variable)
ak : axe principal : poids de ck dans chaque variable zj
uk : facteur principal : poids de chaque variable dans ck
var (x) = variance
σ = écart type
cor (x, y) = coefficient de corrélation

REFERENCES
1. Saïdou Madougou. 2010, « Étude du potentiel éolien du jet nocturne dans la zone sahélienne à
partir des observations de radars profileurs de vent.  » Planète et Univers [physics]. Université Paul
Sabatier -Toulouse III. Français. tel-00530163
2. AKRABOU Omar et al. 2017, « Etude des paramètres météorologiques intervenant dans la
simulation d’un parc éolien - Cas du site d’Adrar  », mémoire de master en physique énergétique et
énergies renouvelables, université ahmed draia adrar.
3. A.A. Koukpemedji et al. 2015, « Influence de la température, de la pression et de l’humidité
relative de l’air sur le potentiel éolien dans la zone côtière du Bénin dans le Golfe de Guinée  »
Revue des Energies Renouvelables Vol. 18 N°2, 217 – 226
4. S.M. El Moustapha, M.L. et al. 2014, « Influence des paramètres météorologiques sur la
production d’un aérogénérateur : Application sur le littoral sahélien  », Revue des Energies
Renouvelables, Vol. 17, N°1, pp. 43 – 54.
5. E. Guerber et al. 2008, « Modélisation statistique du vent : influence du changement climatique
sur le transport éolien » Xèmes Journées Nationales Génie Côtier – Génie Civil, 14-16 Ooctobre,
Sophia Antipolis.
6. Micha Belda et al.2014, « climate classification revisited: from Köppen to Trewerta ” Climate
Research, Vol; 59, 4 février 2014.
7. http://www.stat-niger.org/statistique/file/Regions/Diffaenchiffres2011.PDF
8. Amani M. Kouassi et al. 2010, « Analyse de la variabilité climatique et de ses influences sur les
régimes pluviométriques saisonniers en Afrique de l’Ouest : cas du bassin versant du N’zi
(Bandama) en Côte d’Ivoire ». Revue Européenne de Géographie (Cybergéo), décembre 2010,
http://cybergéo.revue.org/index23388.html
1
9. G. SORO et al. 2019, « Application des méthodes statistiques multivariées à l’étude hydrochimique
des eaux souterraines de la région des lacs (centre de la Côte d’Ivoire) » / Int. J. Biol. Chem. Sci.
13(3) : 1870-1889.
10. Jean-Marc Lasgouttes. 2014, Variables quantitatives : analyse en composantes principales,
Cours d’analyse de données, INRIA Paris, année 2013-2014.

Vous aimerez peut-être aussi