Pr

evision du rayonnement solaire global par

t
el
ed
etection pour la gestion de la production d
energie
photovoltaque
Romain Dambreville

To cite this version:

Romain Dambreville. Prevision du rayonnement solaire global par teledetection pour la gestion
de la production denergie photovoltaque. Traitement du signal et de limage. Universite
Grenoble Alpes, 2014. Francais. <NNT : 2014GRENT078>. <tel-01130251>

HAL Id: tel-01130251

[Link]
Submitted on 11 Mar 2015

HAL is a multi-disciplinary open access Larchive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinee au depot et `a la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publies ou non,
lished or not. The documents may come from emanant des etablissements denseignement et de
teaching and research institutions in France or recherche francais ou etrangers, des laboratoires
abroad, or from public or private research centers. publics ou prives.
 UNIVERSIT DE GRENOBLE

COLE DOCTORALE EEATS

lectronique lectrotechnique Traitement du Signal

THSE
pour obtenir le titre de

docteur en sciences
de lUniversit de Grenoble
Mention : Signal, Image, Parole, Tlcoms
Prsente et soutenue par
Romain DAMBREVILLE

Prvision du rayonnement solaire global par tldtection pour

la gestion de la production dnergie photovoltaque.

Thse dirige par Jocelyn CHANUSSOT, Co-dirige par Giorgio A.

LICCIARDI et Philippe BLANC,
prpare au laboratoire Grenoble Image Parole Signal Automatique
(Gipsa-lab)
soutenue le 16 Octobre 2014

Jury :

Rapporteurs : Marie CHABERT - IRIT, INP-ENSEEIHT

Philippe LAURET - Laboratoire PIMENT, Uni. de la Runion
Directeur : Jocelyn CHANUSSOT - Gipsa-Lab, Grenoble-INP
Co-directeurs : Giorgio Antonino LICCIARDI - Gipsa-Lab, Grenoble-INP
Philippe BLANC - Mines-ParisTech
Encadrant Stephanie DUBOST - EDF R&D
Prsident : Nicolas PAPARODITIS - Laboratoire MATIS, IGN
Examinateur : Dominique DUMORTIER - ENTPE
 Remerciements

Jaimerai tout dabord remercier mon directeur de thse, M. Jocelyn Chanussot, pour ses
conseils aviss et pour mavoir fait confiance depuis le dbut. Il ma permis de dcouvrir le
monde de la recherche par ses cours et son accompagnement lors de mes stages ; puis de my
panouir au cours de mon doctorat. Je remercie galement lensemble des personnes qui mont
accompagn dans mes travaux au cours de ces trois dernires annes, M. Giorgio Licciardi,
pour sa disponibilit et sa patience en particulier lors de nos premiers changes scientifiques.
Mme Stephanie Dubost qui a port le projet depuis son origine et qui a toujours montr une
motivation vivifiante lors de nos entretiens. Je tiens remercier tout particulirement M. Phi-
lippe Blanc, entr dans cette aventure par pure curiosit scientifique, il a su trouver les mots
pour me mettre en confiance et me permettre davancer lors des moments cls, sa prsence
en tant que co-directeur de thse lors de ma soutenance fut un honneur pour moi et un juste
reflet de nos collaborations pendant ces trois ans. Il mest galement impossible de ne pas citer
Dr. Didier Boldo et M. Alexandre Girard dont les apports scientifiques et techniques ont t
inestimables au cour de mes travaux. Je remercie enfin lensemble des personnes ayant contri-
bu lavancement de ce projet, M. Bruno Charbonnier, M. Laurent Dubus, M. Christophe
Chaussin, M. Martial Haeffelin, M. Jordi Badossa, M. Dominique Demengel, M. Guy dUrso,
et beaucoup dautres encore...

Jhsite placer mes proches dans cette section, ce que je leur dois sinscrit bien au del
des remerciements, je leur dois tout. Jai travers trois annes de thse qui sont galement trois
annes de vie, avec ce quelles comportent de joies, de tristesses, dchecs, de russites... Pen-
dant ces trois ans ils ont t mes appuis, ceux sur lesquels jai batti tout le reste, ceux qui ont
permis que jarrive jusquici. Donc pour tout, merci vous : Maman, Papa, Charles, Stpha-
nie, Mathias, Adle, Nomie, Jrme, Thomas, Thomas, Floriane, Sam, Nico, Quentin, Pef,
Mugi, Koho, Cresc, Niko, Cindy, Cline, Flo, Manu, Raphael, Ernesto, Clment, Clmentine,
Edouard, Jessica, Thomas P., Manon, Julien, Antoine ...

i
 Table des matires

Table des acronymes xvii

Introduction 1

1 Le rayonnement global : gnralits 5

1.1 Fondamentaux sur le rayonnement . . . . . . . . . . . . . . . . . . . . . . . . . 6

1.1.1 Dfinitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

1.1.2 Le rayonnement solaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

1.1.3 Les nuages . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

1.2 Mesures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

1.2.1 Site dtude : le SIRTA . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

1.2.2 Capteurs pyranomtriques . . . . . . . . . . . . . . . . . . . . . . . . . . 12

1.2.3 Contrle de qualit et bilan des donnes . . . . . . . . . . . . . . . . . . 15

1.3 Fondamentaux pour la prvision du GHI . . . . . . . . . . . . . . . . . . . . . . 19

1.3.1 Modle ciel clair . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

1.3.2 Index de ciel clair Kc . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

1.3.3 Modle de rfrence : la persistance . . . . . . . . . . . . . . . . . . . . . 20

1.3.4 Mtriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

1.4 Caractrisation du site dtude . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

1.4.1 Variabilit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

1.4.2 Rsolution temporelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

1.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

2 Estimation par utilisation dimageurs hmisphriques du ciel depuis le sol 29

2.1 Etat de lart des imageurs au sol . . . . . . . . . . . . . . . . . . . . . . . . . . 29

iii
iv Table des matires

2.1.1 Capteurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

[Link] Le Total Sky Imager . . . . . . . . . . . . . . . . . . . . . . . . 30

2.1.2 Traitements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

[Link] Segmentation et classification de la couverture nuageuse . . . . 31

[Link] Vers la prvision du GHI . . . . . . . . . . . . . . . . . . . . . 33

2.1.3 Conclusion et positionnement des travaux . . . . . . . . . . . . . . . . . 37

2.2 Estimation du GHI partir dimages au sol . . . . . . . . . . . . . . . . . . . . 38

2.2.1 Prsentation de la mthode gnrale . . . . . . . . . . . . . . . . . . . . 38

2.2.2 Pr-traitement des images . . . . . . . . . . . . . . . . . . . . . . . . . . 38

2.2.3 Liste des caractristiques disponibles . . . . . . . . . . . . . . . . . . . . 39

[Link] Caractristiques classiques . . . . . . . . . . . . . . . . . . . . 41

[Link] Caractristiques de texture . . . . . . . . . . . . . . . . . . . . 41

[Link] Caractristique de la couverture nuageuse . . . . . . . . . . . . 44

[Link] Critre de prsence du rayonnement direct . . . . . . . . . . . 48

2.2.4 Analyse des entres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

2.2.5 Rseau de neurones artificiels . . . . . . . . . . . . . . . . . . . . . . . . 51

2.2.6 Construction des bases dapprentissage/test . . . . . . . . . . . . . . . . 51

2.2.7 Rsultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

[Link] Mthodologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

[Link] Analyse des rsultats . . . . . . . . . . . . . . . . . . . . . . . 55

2.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58

3 Imagerie satellitaire pour la prvision du GHI 59

3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

3.2 Etat de lart . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60

3.2.1 Acquisition des images . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60

3.2.2 Traitement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
Table des matires v

[Link] Conversion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62

[Link] Prvision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63

[Link] Travaux publis et positionnement des travaux . . . . . . . . . 63

3.2.3 HlioClim-3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64

[Link] Heliosat : la mthode . . . . . . . . . . . . . . . . . . . . . . . 64

[Link] Hlioclim : les diffrentes base de donnes . . . . . . . . . . . . 65

3.3 Prvision du GHI par modle de prvision linaire spatio-temporel . . . . . . . 67

3.3.1 Performances dHlioClim-3 sur le site du SIRTA . . . . . . . . . . . . . 67

[Link] Localisation des zones dintrts de limage . . . . . . . . . . . 68

3.3.2 Les modles Autoregressifs (AR) . . . . . . . . . . . . . . . . . . . . . . 70

[Link] Choix de lordre temporel . . . . . . . . . . . . . . . . . . . . . 72

3.3.3 Dfinition des modles tests . . . . . . . . . . . . . . . . . . . . . . . . 73

3.3.4 Rsultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74

[Link] Analyse quantitative . . . . . . . . . . . . . . . . . . . . . . . . 75

[Link] Analyse qualitative . . . . . . . . . . . . . . . . . . . . . . . . 76

3.3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78

3.4 Prvision par calcul de champ de vecteur . . . . . . . . . . . . . . . . . . . . . . 81

3.4.1 Mthodologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81

[Link] Le calcul du champs de vecteurs . . . . . . . . . . . . . . . . . 81

[Link] Zone dintrt . . . . . . . . . . . . . . . . . . . . . . . . . . . 85

[Link] Interprtation de la zone dintrt . . . . . . . . . . . . . . . . 86

3.4.2 Rsultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86

[Link] Analyse quantitative . . . . . . . . . . . . . . . . . . . . . . . . 86

[Link] Analyse qualitative . . . . . . . . . . . . . . . . . . . . . . . . 88

3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92

4 Fusion dinformation pour la prvision du GHI 95

vi Table des matires

4.1 Mthodologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96

4.2 Rsultats exprimentaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97

4.2.1 Procd exprimental . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97

4.2.2 Analyse quantitative . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98

4.2.3 Analyse qualitative . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100

4.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102

Conclusion 105

A Tests sur le ratio pour la mthode de segmentation de limage hmisph-

rique 109

B Exemples de profils journaliers de prvision 115

C Publications de lauteur 119

C.1 Publication en rapport avec la thse . . . . . . . . . . . . . . . . . . . . . . . . 119

C.1.1 Publication en revue internationale . . . . . . . . . . . . . . . . . . . . . 119

C.1.1.1 Publication accepte . . . . . . . . . . . . . . . . . . . . . . . . 119

C.1.1.2 Publication soumise . . . . . . . . . . . . . . . . . . . . . . . . 119

C.1.2 Publication en confrence internationale . . . . . . . . . . . . . . . . . . 119

C.2 Brevet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119

C.3 Autre publication hors du contexte de la thse . . . . . . . . . . . . . . . . . . . 120

Bibliographie 125
 Table des figures

1 Les quatre grandes familles de modles de prvision (figure inspire de [Dia+13]). 3

1.1 Reprsentation dune onde lectromagntique . . . . . . . . . . . . . . . . . . . 6

1.2 Classification du spectre lectromagntique . . . . . . . . . . . . . . . . . . . . 6

1.3 Solid angle definition [Mal05] . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

1.4 Spectre du rayonnement solaire . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

1.5 Bandes dabsorption de latmosphre . . . . . . . . . . . . . . . . . . . . . . . . 9

1.6 Bilan du rayonnement solaire 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

1.7 Classification des types de nuages [Mal05] . . . . . . . . . . . . . . . . . . . . . 10

1.8 Le SIRTA en image 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

1.9 Rayonnement direct et diffus : diffrents chemins . . . . . . . . . . . . . . . . . 12

1.10 Les angles couramment utiliss pour le rayonnent solaire : z est langle
znithal,i est langle dlvation solaire, est langle azimutal . . . . . . . . . . 12

1.11 Station automatique Kipp&Zonen 2AP . . . . . . . . . . . . . . . . . . . . . . . 13

1.12 Pyrhliomtre CHP 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

1.13 Pyranomtre CMP 22 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

1.14 Exemple de mesures sur une journe . . . . . . . . . . . . . . . . . . . . . . . . 14

1.15 Mesures de GHI sur les annes 2011 et 2012 au SIRTA. . . . . . . . . . . . . . . 16

1.16 Dtection des conditions extrmes sur le rayonnement global en 2011/2012 au

SIRTA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

1.17 Dtection des conditions extrmes sur le rayonnement diffus en 2011/2012 au

SIRTA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

1.18 Dtection des conditions extrmes sur le rayonnement direct en 2011/2012 au

SIRTA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

1.19 Modle ciel clair ESRA pour lanne 2011 valu sur le site du SIRTA. . . . . . 19
1. http ://[Link]/Features/EnergyBalance/[Link]
2. http ://[Link]/

vii
viii Table des figures

1.20 Prsentation de lindex Kc sur une journe de mesure . . . . . . . . . . . . . . . 20

1.21 Modle de persitance appliqu directement au GHI pour une journe ciel clair. . 21

1.22 Exemple derreur destimation dun signal de rayonnement . . . . . . . . . . . . 23

1.23 Rpartition des journes de 2011 dans le plan (Kc ,V) . . . . . . . . . . . . . . 24

1.24 Exemple de profil pour chaque classe, le nom des classes est explicit dans le
tableau 1.8 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

1.25 Impact de la rsolution temporelle. (a) chantillonnage : 1 minute, (b) moyenne

sur 15 minutes, (c) moyenne sur 30 minutes, (d) moyenne sur 60 minutes . . . . 26

2.1 TSI 880 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

2.2 Image brute et image traite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

2.3 Image brute . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

2.4 Image seuille : bleu = ciel clair ; blanc = nuages clairs ; gris = nuages opaques 32

2.5 Vue densemble de la mthode destimation . . . . . . . . . . . . . . . . . . . . 39

2.6 Disponibilit des images du TSI sur lanne 2011, les points rouges reprsentent
les images disponibles. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

2.7 Image brute . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

2.8 Image masque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

2.9 Information apporte par la dissymtrie sur une distribution donne . . . . . . 41

2.10 Valeurs des pixels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

2.11 Image correspondante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

2.12 Combinaisons possibles Rfrence/voisin . . . . . . . . . . . . . . . . . . . . . . 43

2.13 MCOO pour limage exemple Fig. 2.11 . . . . . . . . . . . . . . . . . . . . . . . 43

2.14 Set dimages test pour la comparaison des mthodes de segmentation . . . . . . 45

2.15 Test de seuil pour la mthode de segmentation par diffrence : Seuil = 65 . . . 46

2.16 Test de seuil pour la mthode de segmentation par ratio : Seuil =0.65 . . . . . 47

2.17 Effet de blanchissement de la bande noire en prsence de rayonnement direct . . 48

2.18 Matrice dinter-corrlation des entres . . . . . . . . . . . . . . . . . . . . . . . 50

Table des figures ix

2.19 Modle dun neurone . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

2.20 Structure dun rseau de neurones en boucle ouverte . . . . . . . . . . . . . . . 52

2.21 Apprentissage arrt prmatur . . . . . . . . . . . . . . . . . . . . . . . . . . 52

2.22 Processus de cration des bases de donnes pour lapprentissage des rseaux de
neurone . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

2.23 Profil journaliers pour chacune des classes . . . . . . . . . . . . . . . . . . . . . 58

3.1 Canal visible de Meteosat 9 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61

3.2 Canal Infrarouge de Meteosat 9 . . . . . . . . . . . . . . . . . . . . . . . . . . . 61

3.3 Rappel sur les relations entre lobservation depuis le satellite et le rayonnement
peru au sol. Image extraite de [IPC13]. La lettre "a" dsigne latmosphre, la
lettre "g" dsigne le sol (ground). . . . . . . . . . . . . . . . . . . . . . . . . . . 62

3.4 Nuage de points entre KcHC3 et Kc, le rsultat de la rgression polynomiale

dordre 4 est reprsent par la courbe. Donnes impliquant lanne 2011 uni-
quement. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68

3.5 Sensibilit de la carte de corrlation en fonction de la variable utilise ; (a) :

Corrlation sur le GHI ; (b) : Corrlation sur lindex de ciel clair Kc ; (c) :
Corrlation sur le diffrentiel de KC ; . . . . . . . . . . . . . . . . . . . . . . . 69

3.6 Cartes de corrlations utilisant les sries temporelles de Kc : (a) Dcalage 0 ;

(b) Dcalage 1 (15 min) ; (c) Dcalage 2 (30 min) ; (d) Dcalage 3 (45 min) ; (e)
Dcalage 4 (60 min) ; (f) Rgion quivalente sur google map . . . . . . . . . . . 70

3.7 (a)Autocorrlation partielle (PACF) ; (b) RMSE sur le rsultat de la prvision . 73

3.8 Localisation des entres slectionnes en fonction de lhorizon de prvision sur

les cartes de corrlation de Kc . Lhorizon de prvision h est directement lie
au dcalage appliqu aux cartes de corrlation : (a) h=0, estimation ; (b) h=15
min, filtrage moyen 2x2 ; (c) h=30 min, filtrage moyen 3x3 ; (d) h=45 min,
filtrage moyen 4x4 ; (e) h=60 min, filtrage moyen 5x5 . . . . . . . . . . . . . . . 75

3.9 Evolution de la RMSE en fonction de lhorizon de prvision pour chacun des 4

modles tests. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77

3.10 Profil journaliers pour chacune des classes pour une prvision 30 minutes . . . 80

3.11 Illustration de lalgorithme de block matching . . . . . . . . . . . . . . . . . . . 83

x Table des figures

3.12 Exemple 1 : application du block matching sur deux images HC-3 conscutives.
(a) Image au temps t-1 ; (b) Image au temps t ; (c) image au temps t avec le
champ de vecteur rsultant. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84

3.13 Exemple 2 : application du block matching sur deux images HC-3 conscutives.
(a) Image au temps t-1 ; (b) Image au temps t ; (c) image au temps t avec le
champ de vecteur rsultant. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84

3.14 La zone dintrt est dfinie partir du pixel idal Pi, en amont du site Ps par
rapport au vecteur calcul V . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85

3.15 Exemple dapplication en cas rel . . . . . . . . . . . . . . . . . . . . . . . . . . 85

3.16 Profils journaliers pour chacune des classes pour une prvision 30 minutes . . 90

3.17 Zoom sur un profil journalier pour une prvision 30 minutes. Le modle pr-
sent donne non seulement une prvision mais galement un "encadrement es-
tim" de la prvision. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91

3.18 Fonction dintercorrlation entre la prvision et la mesure pour trois modles

diffrents. Les prvisions sont effectues pour un horizon de prvision de 30
minutes (h=2). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91

3.19 Fonction dintercorrlation entre la prvision et la mesure pour trois modles

diffrents. Les prvisions sont effectues pour un horizon de prvision de 45
minutes (h=3). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92

3.20 Evolution de la RMSE en fonction de lhorizon de prvision pour diffrents

modles. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93

4.1 Selection des entres pour le modle PT SI90 : (a) ZI dfinie sur limage HC-3
daprs le vecteur vitesse ; (b) Cne de limage au sol slectionn partir du
vecteur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96

4.2 Selection des entres pour le modle PT SIcone : (a) ZI dfinie sur limage HC-3
daprs le vecteur vitesse ; (b) Cone de limage au sol slectionn en fonction
du vecteur vitesse (bleu) et de langle azimutal solaire (rouge). . . . . . . . . . . 97

4.3 Structure du modle Ppyr . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98

4.4 Structure des modles PT SI , PT SI90 et PT SIcone . . . . . . . . . . . . . . . . . . 98

4.5 Fonction dintercorrlation entre les modles et la mesure pour un horizon h =

15 minutes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101

4.6 Fonction dintercorrlation entre les modles et la mesure pour un horizon h =

30 minutes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
Table des figures xi

4.7 Fonction dintercorrlation entre les modles et la mesure pour un horizon h =

45 minutes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102

4.8 Profil journalier, h=15min, sur ce profil, le "dphasage" du modle Ppyr li

leffet de persistance est trs marqu par rapport aux autres modles, en
particulier dans la zone point dans lellipse noire. . . . . . . . . . . . . . . . . . 103

4.9 Profil journalier, h=15min, les ellipses noires indiquent les endroits o le modle
PT SIcone permet une modification positive par rapport lensemble des autres
modles. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103

A.1 Test de seuil pour la mthode de segmentation par ratio : Seuil =0.4 . . . . . . 110

A.2 Test de seuil pour la mthode de segmentation par ratio : Seuil =0.55 . . . . . 111

A.3 Test de seuil pour la mthode de segmentation par ratio : Seuil =0.6 . . . . . . 112

A.4 Test de seuil pour la mthode de segmentation par ratio : Seuil =0.65 . . . . . 113

A.5 Test de seuil pour la mthode de segmentation par ratio : Seuil =0.8 . . . . . . 114

B.1 Profil journalier, h=15 minutes. . . . . . . . . . . . . . . . . . . . . . . . . . . . 115

B.2 Profil journalier, h=15 minutes. . . . . . . . . . . . . . . . . . . . . . . . . . . . 116

B.3 Profil journalier, h=30 minutes. . . . . . . . . . . . . . . . . . . . . . . . . . . . 116

B.4 Profil journalier, h=30 minutes. . . . . . . . . . . . . . . . . . . . . . . . . . . . 117

B.5 Profil journalier, h=45 minutes. . . . . . . . . . . . . . . . . . . . . . . . . . . . 117

B.6 Profil journalier, h=45 minutes. . . . . . . . . . . . . . . . . . . . . . . . . . . . 118

 Liste des tableaux

1.1 Caractristiques du pyrhliomtre CHP 1 . . . . . . . . . . . . . . . . . . . . . 13

1.2 Caractristiques du pyranomtre CMP 22 . . . . . . . . . . . . . . . . . . . . . 13

1.3 Conditions physiquement possibles, S0 reprsente la constante solaire ajuste

pour la distance Terre-Soleil. est le cosinus de langle solaire znithal cos(z ). 15

1.4 Conditions extrmement rares, S0 reprsente la constante solaire ajuste pour

la distance Terre-Soleil. est le cosinus de langle solaire znithal cos(z ). . . . 15

1.5 Validations croises. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

1.6 Tests de qualit des donnes de rayonnement. Les pourcentages sont donns
par rapport au nombre de mesures de jour (angle znithal<90) soit un total
de 507159 points de mesures sur 2 ans. . . . . . . . . . . . . . . . . . . . . . . . 16

1.7 Rsultats pour chacune des estimations . . . . . . . . . . . . . . . . . . . . . . . 22

1.8 Rsultats de classification des journes 2011 et 2012 en pourcentage (total de

journes = 699) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

2.1 Caractristiques techniques du TSI . . . . . . . . . . . . . . . . . . . . . . . . . 31

2.2 Classes utilises pour classification par Heinle et al. [HMS10] (cf chap1) . . . . 32

2.3 Comparaison des rsultats de classification : Les lments de la ligne i et colonne

j reprsentent le pourcentage de la classe i identifi comme classe j pour chacune
des mthodes : H Heinle et al. [HMS10], K Kazantzidis et al. [Kaz+12], L Liu
et al. [Liu+13]. (Cf tableau 2.2) . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

2.4 Rcapitulatif des travaux de Chow et al. [Cho+11] . . . . . . . . . . . . . . . . 34

2.5 Rcapitulatif des travaux de Marquez et al. [MC13a] . . . . . . . . . . . . . . . 35

2.6 Rcapitulatif des travaux de Fu et al. [FC13] . . . . . . . . . . . . . . . . . . . . 36

2.7 MCOO normalise pour lexemple : . . . . . . . . . . . . . . . . . . . . . . . . . 43

2.8 Paramtres des mthodes de segmentation utilises . . . . . . . . . . . . . . . . 45

2.9 Bilan des entres brutes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

2.10 Entres slectionnes aprs ltude de la matrice dinter-corrlation (Fig. 2.18) . 49

xiii
xiv Liste des tableaux

2.11 Coefficient de corrlation entre chaque entre et le GHI . . . . . . . . . . . . . . 54

2.12 Tableau des rsultats de RMSE . . . . . . . . . . . . . . . . . . . . . . . . . . . 56

2.13 Tableau des rsultats de MBE . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56

2.14 Tableau des rsultats de coefficient de dtermination . . . . . . . . . . . . . . . 57

2.15 Rsultats de RMSE par classe . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

2.16 Rsultats de coefficient de dtermination par classe . . . . . . . . . . . . . . . . 57

2.17 Rsultats de MBE par classe . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58

3.1 Les satellite de Meteosat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60

3.2 Tableau rcapitulatif des travaux de la littrature . . . . . . . . . . . . . . . . . 64

3.3 Performances dHC-3 sur le site du SIRTA, mesures faites pour un angle solaire
znithal <85 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68

3.4 RMSE (W/m2 ) en fonction de lhorizon et du modle . . . . . . . . . . . . . . . 76

3.5 R2 en fonction de lhorizon et du modle . . . . . . . . . . . . . . . . . . . . . . 76

3.6 MBE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77

3.7 Rsultats par classes : RMSE . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78

3.8 Rsultats par classes : MBE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79

3.9 Rsultats par classes : Coefficient de dtermination . . . . . . . . . . . . . . . . 79

3.10 Choix des paramtres de lalgorithme . . . . . . . . . . . . . . . . . . . . . . . . 86

3.11 RMSE en fonction de lhorizon et du modle . . . . . . . . . . . . . . . . . . . . 87

3.12 MBE en fonction de lhorizon et du modle . . . . . . . . . . . . . . . . . . . . 87

3.13 R2 en fonction de lhorizon et du modle . . . . . . . . . . . . . . . . . . . . . . 88

3.14 Rsultats en RMSE dtaills par classes . . . . . . . . . . . . . . . . . . . . . . 89

3.15 Rsultats en MBE dtaills par classes . . . . . . . . . . . . . . . . . . . . . . . 89

3.16 Rsultats par classes : Coefficient de dtermination . . . . . . . . . . . . . . . . 90

4.1 Caractristiques du TSI retenues au chapitre 2 . . . . . . . . . . . . . . . . . . . 98

4.2 RMSE en .W m2 en fonction du modle et de lhorizon de prvision h . . . . . 99

Liste des tableaux xv

4.3 MBE en W m2 en fonction du modle et de lhorizon de prvision . . . . . . . 99

4.4 Coefficient de dtermination R2 en fonction du modle et de lhorizon de pr-

vision h . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
 Table des acronymes

OMM Organisation Mtorologique Mondiale

GHI Global Horizontal Irradiance
DNI Direct Normal Irradiance
DHI Diffuse Horizontal Irradiance
SIRTA Site Instrumental de Recherche par Tldtection Atmosphrique
TSI Total Sky Imager

xvii
 Introduction

Lhistoire de lnergie photovoltaque commence en 1839 lorsquEdmond Bequerel, un phy-

sicien francais, observe la production dlectricit par certain matriaux lorsquils sont soumis
la lumire du soleil. Einstein tudie plus tard ce phnomne et publie en 1905 un article au
sujet de leffet photo-lectrique [Ein05] pour lequel il reoit le prix Nobel en 1921. Cependant,
lnergie solaire est juge trop coteuse malgr les travaux de Robert Millikan et sa "cellule
solaire" (1916). Elle est mise de ct pendant presque 40 ans. En 1960, la course lespace fait
ressurgir la technologie solaire sur le devant de la scne : cest une solution particulirement
adapte lalimentation des premiers satellites. La recherche dans le domaine de lnergie pho-
tovoltaque bnficie alors des fonds de la course lespace ce qui lamne devenir en 1970,
avec la crise nergtique, une solution alternative. Dans le contexte nergtique actuel, lner-
gie photovoltaque est une solution viable et promue par de nombreux pays en reconversion
nergtique.

Lexploitation de lnergie solaire soulve cependant certains dfis techniques. Au mme

titre que lnergie olienne, lnergie photovoltaque est une nergie dite intermittente : sa
disponibilit varie fortement sans possibilit de contrle. Lintgration de telles sources sur
le rseau lectrique engendre des problmatiques pour le maintien de lquilibre consomma-
tion/production. Ainsi, afin de limiter les risques, la loi autorise un taux de pntration des
nergies intermittentes sur les rseaux de 30% daprs larrt du 23 Avril 2008 3 . Si ce seuil
ne pose pas encore directement de contrainte sur les installations programmes en France m-
tropolitaine, il en est autrement pour les rseau peu ou non inter-connects comme ceux des
les. Daprs un tat des lieux fait par le syndicat des nergies renouvelables 4 les 30% avait
dj t atteint en Corse, en Guadeloupe et la Runion au 30 Juin 2012 alors que la Guyane
prsentait dj un taux de pntration de 22%.

Les principales pistes envisages pour pallier cette limitation sont les suivantes :
Le stockage : le stockage de lnergie permettrait de stabiliser la production des centrales
photovoltaques en stockant llectricit lors des priodes de forte production pour la res-
tituer pendant les chutes de production. Cependant, le stockage dimportantes quantits
dnergie reste un challenge lheure actuelle. Des solutions existent comme les STEP
(Stations de Transfert dEnergie par Pompage-turbinage) mais elles restent peu acces-
sibles. Aussi le dveloppement des batteries grande capacit de stockage est lune des
pistes les plus intressantes.
La prvision : la prvision de la production des nergies intermittentes permettrait dan-
ticiper la disponibilit des sources de production et donc de faciliter la gestion du rseau.
Cest dans cette seconde voie que sinscrivent les travaux mens dans cette thse.

La production dnergie lectrique par un systme photovoltaque est dpendante de nom-

breux facteurs. Linclinaison des panneaux, leur technologie et leur temprature influent sur la
3. [Link]
4. [Link]

1
2 Introduction

production mais le rayonnement solaire reu reste le facteur principal de variation. On choisit
dans le cadre de cette thse de prvoir le rayonnement solaire plutt que la production elle-
mme. De ce fait, les travaux dvelopps visent produire une prvision non dpendante de
conditions matrielles locales, et donc plus facilement transposable dautres sites ou moyens
de production (solaire thermique, nergie solaire concentre (ESC), etc). Cette approche sous-
entend le besoin futur dune tape de conversion entre le rayonnement solaire reu par les
panneaux et la production en sortie en fonction des caractristiques des panneaux instal-
ls. On dfinit comme variable principale dintrt le GHI (Global Horizontal Irradiance), ou
rayonnement global horizontal peru au niveau du sol.

La prvision de GHI est un domaine de recherche trs actif lheure actuelle pour les
raisons voques prcdemment. On distingue quatre grandes familles de mthode selon les
donnes utilises et lhorizon de prvision souhait :
1. Mthodes statistiques : les mthodes statistiques sappuient sur les sries temporelles
dun ou de plusieurs capteurs de GHI afin de construire des modles statistiques de
prvision. Ces mthodes supposent lexistence de squences rptitives dans la srie
temporelle que lon peut apprendre afin de les prvoir par la suite. On retrouve dans
cette famille de nombreuses mthodes de rgression (linaires et non linaires) existantes
en traitement du signal (rseaux de neurones, modles auto-rgressifs, ...). Lhorizon de
prvision atteint par ce type de mthode est trs dpendant de lchantillonnage choisi
pour la srie temporelle.
2. Modle de prvision mtorologique numrique : les modles numriques utilisent des
algorithmes de rsolution numrique des quations mtorologiques assimilant les don-
nes mtorologiques acquises par des stations de mesures rparties sur le globe. Ils
fournissent ainsi des prvisions de nombreuses variables qualifiant ltat de latmosphre
(temprature, pression, vent, etc.) pour chaque point de la grille spatiale de prvision.
Selon les modles, la rsolution de cette grille peut tre plus ou moins fine (10 km pour
le modle ALADIN de MtoFrance), cependant elle reste infrieure la rsolution des
images satellitaires dans la majorit des cas. Les prvisions ncessitent un temps de cal-
cul important, la rsolution temporelle des prvisions est de lordre de 3 6 heures. Ces
modles permettent une prvision du GHI long terme (plusieurs jours) via diffrents
traitements statistiques des sorties obtenues.
3. Imagerie satellitaire : les satellites mtorologiques gostationnaires fournissent des
images de latmosphre et de la terre sur lensemble du globe avec une rsolution tempo-
relle intra-horaire (15 minutes pour Meteosat seconde gnration). Ces caractristiques
font de limagerie satellitaire un outil de premier ordre pour la description et le suivi de
phnomnes mtorologiques de moyenne et grande chelle. Ainsi, de nombreuses m-
thodes de prvision du GHI profitent de ces images depuis 1980. Lhorizon de prvision
atteint est gnralement de lordre de quelques heures.
4. Imagerie hmisphrique : les images hmisphriques sont des images du ciel prises depuis
le sol via une camra possdant un angle de vision de 180. Les travaux impliquant ces
images ont merg il y a une vingtaine dannes avec lapparition de capteurs de plus
en plus performants. Ces images permettent une description trs fine de la couverture
nuageuse avec une rsolution temporelle de lordre de la seconde. Elles sont particuli-
Introduction 3

Modles numriques
Image satellitaire
100km
Rsolution spatiale

10km

1km

Image
0.1km
hmisphrique
0.01km
Mthodes statistiques

0.1h 1h 10h 100h 1000h

Rsolution temporelle
Figure 1 Les quatre grandes familles de modles de prvision (figure inspire de [Dia+13]).

rement adaptes lestimation et la prvision trs court terme (jusqu 30 minutes)

du GHI.
La figure 1 rsume la rpartition de ces familles selon lhorizon de prvision et la rso-
lution quils offrent. Ces quatre familles ont volu de faon indpendante amliorant leurs
qualits respectives. Cependant, de rcentes tudes rendent les frontires moins hermtiques.
Par exemple, [MCK13] propose une mthode base sur un modle numrique de prvision mais
intgrant des donnes satellitaires concernant la couverture nuageuse. Ces travaux ouvrent la
voie de nouvelles techniques, qui permettront dune part dlargir les horizons de prvi-
sions initialement atteints par les mthodes indpendantes mais galement de combler leurs
lacunes. La problmatique dveloppe au cours de cette thse sinscrit dans cette dynamique :
comment peut-on joindre les donnes satellitaires et les donnes in-situ (pyranomtre, images
hmisphriques) dans le cadre dune prvision intra-horaire ? Il sagira dans un premier temps
de caractriser lapport de chacune de ces sources dinformation afin de les utiliser conjointe-
ment par la suite. Nous pourrons alors juger de la pertinence dune telle fusion en fonction de
lhorizon de prvision. Le manuscrit sarticule ainsi en quatre tapes :

Le premier chapitre permet dintroduire les notions fondamentales ltude du GHI. On

dcrira les processus physiques thoriques expliquant ses divers degrs de variabilit. Ce sera
alors loccasion de rappeler les diffrentes interactions entre le sommet de latmosphre et le
sol. Nous prsenterons ensuite le site dtude retenu dans le cadre de la thse, ainsi que les
capteurs utiliss. Les donnes obtenues seront analyses afin dtablir un jeu de donnes valides
permettant de tester les modles dvelopps par la suite. Enfin, on tablira un modle de
4 Introduction

rfrence pour la prvision, le modle de persistance, avant douvrir la discussion sur quelques
observations qualitatives concernant ltude des sries temporelles de GHI.

Le second chapitre est consacr ltude des images hmisphriques. On y trouvera en

premire partie un tat de lart des travaux rcents utilisant ces images pour diverses applica-
tions, de la segmentation de couverture nuageuse la prvision de GHI trs court terme. La
suite du chapitre prsente une mthode originale destimation du GHI. Cette mthode sap-
puie sur lutilisation dun rseau de neurones permettant deffectuer une rgression entre les
caractristiques de limage et le GHI estimer. Lenjeu principal de ltude rside donc dans le
choix des caractristiques extraites des images dfinissant ainsi les variables pertinentes pour
ltude du GHI par imagerie hmisphrique.

Le troisime chapitre concerne lensemble des travaux impliquant limagerie satellitaire.

Aprs un tat de lart, nous prsenterons deux approches construites partir dimages sa-
tellitaires transformes en carte de GHI via une mthode de conversion externe (Hliosat-2).
La premire peut sapparenter une mthode "hybride" au sens o elle intgre des don-
nes sol (pyranomtre) et des donnes de limage satellitaire dans un modle autoregressif
spatio-temporel. Cest une mthode robuste, ncessitant une base dapprentissage permettant
dassimiler les conditions mtorologiques "moyennes" pour amliorer la prvision. La seconde
mthode dveloppe se veut plus locale et fait intervenir un vecteur de dplacement calcul
partir des dernires images reues. Elle dveloppe ainsi plus pleinement le potentiel des images
satellitaires mais ne bnficie pas de linformation prise au sol. La comparaison des rsultats
de ces deux modles permettra dtablir un premier bilan concernant la "fusion" dinformation
entre le satellite et le sol.

Le quatrime chapitre rassemble les connaissances acquises au cours des chapitres prc-
dents pour proposer une premire mthode de fusion des informations. La mthode dveloppe
consiste amliorer les performance dune mthode satellitaire en y intgrant de linformation
provenant de limage hmisphrique. On sappuiera pour cela sur les rsultats des chapitres 2
et 3. Les rsultats obtenus permettront didentifier lintrt dune telle fusion.

Enfin, la conclusion fera le bilan des rsultats obtenus afin de dgager les enjeux principaux
relatifs la fusion dinformation pour la prvision trs court terme de GHI. Nous ouvrirons
ensuite la discussion sur les perspectives de futurs travaux en rapport avec les conclusions
retenues.
 Chapitre 1

Le rayonnement global : gnralits

Sommaire
1.1 Fondamentaux sur le rayonnement . . . . . . . . . . . . . . . . . . . . . 6
1.1.1 Dfinitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.2 Le rayonnement solaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.1.3 Les nuages . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2 Mesures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2.1 Site dtude : le SIRTA . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2.2 Capteurs pyranomtriques . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.3 Contrle de qualit et bilan des donnes . . . . . . . . . . . . . . . . . . . 15
1.3 Fondamentaux pour la prvision du GHI . . . . . . . . . . . . . . . . . 19
1.3.1 Modle ciel clair . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.3.2 Index de ciel clair Kc . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.3.3 Modle de rfrence : la persistance . . . . . . . . . . . . . . . . . . . . . 20
1.3.4 Mtriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.4 Caractrisation du site dtude . . . . . . . . . . . . . . . . . . . . . . . 23
1.4.1 Variabilit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.4.2 Rsolution temporelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

Ce chapitre introduit lclairement global horizontal au sol, variable principale de cette

thse, qui sera not GHI (Global Horizontal Irradiance). Aprs un rapide rappel des fonda-
mentaux sur le rayonnement lectromagntique et les transferts radiatifs, on prsentera dans
un cadre plus pratique les capteurs de rayonnement utiliss ainsi que le site de mesures. On
donnera ensuite les notions lmentaires ncessaires lestimation ou la prvision du GHI tels
que les mtriques ou lindex de ciel clair Kc qui seront utiliss pour proposer une classification
des types de journes observes sur le site. Enfin, une discussion sur la rsolution temporelle
des sries de mesure permettra de mettre en avant les problmatiques lies lvaluation dun
modle destimation ou de prvision du GHI.

5
6 Chapitre 1. Le rayonnement global : gnralits

1.1 Fondamentaux sur le rayonnement

1.1.1 Dfinitions

Ondes lectromagntiques : une onde lectromagntique est compose dun champ lec-
trique et dun champ magntique. Ces deux champs oscillent perpendiculairement entre eux
et perpendiculairement laxe de propagation de londe (Fig. 1.1). La longueur donde est
dfinie par la distance entre 2 maxima de la sinusode, elle est lie la priode T par lqua-
tion 1.1 o c est la vitesse de propagation de londe. La frquence f est linverse de la priode.
Elle est communment utilise pour dcrire les ondes lectromagntiques et les classer dans
diffrentes catgories (Fig. 1.2).

c= (1.1)
T

Figure 1.1 Reprsentation dune onde Figure 1.2 Classification du spectre lec-
lectromagntique tromagntique

Angle solide : la notion dangle solide intervient dans la dfinition des termes nergtiques
utiliss en transfert radiatif. Il est dfini partir dune sphre unitaire centre en M (Fig. 1.3).
Langle solide lmentaire (d) dans la direction dfinie par langle par rapport la normale
~n et langle dans le plan de la surface de la sphre reprsente la fraction de sphre dans cette
direction. Langle solide entier correspond la surface de la sphre unit, i.e = 4. Lunit
dangle solide est le stradian (sr).

d = sin ()dd (1.2)

De la luminance au GHI : la luminance monochromatique Lf (, ) est la puissance lec-

tromagntique dune onde de frquence f se propageant travers langle solide lmentaire
dans la direction dfinie par (, ). Son unit est le W.m2 .sr1 .Hz 1 . La luminance l(, ) est
obtenue par intgration de cette quantit sur lensemble du spectre solaire, elle est donn en
W.m2 .sr1 . Enfin, lclairement L est calcul par intgration de la luminance sur lhmisphre
1.1. Fondamentaux sur le rayonnement 7

Figure 1.3 Solid angle definition [Mal05]

expos, dans le cas dun rayonnement isotropique, lclairement est donne par lquation 1.3.
Le GHI correspond lclairement solaire peru au niveau du sol sur une surface horizontale.

Z 2 Z /2
L= l(, ) cos d = l (1.3)
=0 =0

Interaction avec la matire : quand une onde lectromagntique de longueur donde

rencontre de la matire, une partie de londe est rflchie, une autre absorbe par la matire et
le reste est transmis ou diffus. Plusieurs paramtres sont dfinis pour chaque longueur donde
pour dcrire ces phnomnes et caractriser la matire :

Le facteur dabsorption est le ratio entre le rayonnement absorb et le rayonnement

incident
Le facteur de rflexion ou albdo monochromatique est le ratio entre le rayonnement
rflchi et le rayonnement incident
Le facteur de transmission est le ratio entre le rayonnement transmis et le rayonnement
incident

1.1.2 Le rayonnement solaire

Le spectre solaire Le soleil peut tre assimil un corps noir qui met un rayonnement
lectromagntique dont le spectre est prsent en figure 1.4. Sur cette figure, on note la dif-
frence entre le rayonnement arrivant au sommet de latmosphre et le rayonnement arrivant
au niveau du sol. Cette diffrence est lie aux bandes dabsorption des gaz de latmosphre.
En effet, les gaz ont des facteurs dabsorption et de transmission qui dpendent beaucoup de
la frquence des ondes (Fig. 1.5). On remarque notamment que la vapeur deau absorbe une
grande partie de la partie des bandes de linfrarouge thermique reu. Ce phnomne explique
une partie de la variabilit du rayonnement puisque la composition atmosphrique est variable
8 Chapitre 1. Le rayonnement global : gnralits

Figure 1.4 Spectre du rayonnement solaire

dans le temps et dans lespace.

Transferts moyens la moyenne annuelle de rayonnement arrivant au sommet de latmo-

sphre est la constante solaire S (1368 W.m2 ) [KL11]. Il sagit de la quantit de rayonnement
lectromagntique qui serait reue sur un plan perpendiculaire aux rayons, une distance de
1 unit astronomique (UA). En considrant la rotation de la Terre et langle avec lequel les
rayons atteignent latmosphre selon lendroit considr, le rayonnement solaire moyen est es-
tim un quart de la constante solaire (340 W/m2 ). Cest la valeur de rfrence pour la figure
1.6 qui prsente un bilan nergtique global du rayonnement solaire sur Terre. En moyenne,
seul 48% du rayonnement incident parvient au sol, latmosphre et les nuages retenant lautre
moiti soit par rflexion (23%), soit par absorption (23%). Ltude de la couverture nuageuse
et des paramtres de latmosphre joue donc un rle capital pour ltude du rayonnement glo-
bal reu au sol, ce qui constitue lenjeu principal de cette tude avec une approche beaucoup
plus locale.

1.1.3 Les nuages

Les nuages sont constitus de petites goutes deau et de cristaux de glace en suspension dans
lair. La plupart des nuages sont situs dans la troposphre ; ils se forment par condensation
habituellement au niveau des courants ascendants. Selon leur altitude et leur composition,
ils prsentent diverses formes et proprits. LOrganisation Mtorologique Mondiale (WMO)
1.1. Fondamentaux sur le rayonnement 9

Figure 1.5 Bandes dabsorption de latmosphre

Figure 1.6 Bilan du rayonnement solaire 1

10 Chapitre 1. Le rayonnement global : gnralits

Figure 1.7 Classification des types de nuages [Mal05]

propose une classification des nuages en 10 principales classes (Fig. 1.7) :

Limpact des nuages sur le rayonnement peru au sol est difficile dcrire de faon quanti-
tative. En effet, les nuages dun mme type peuvent avoir un effet dattnuation diffrent en
fonction de leur proprits macroscopiques et microscopiques (gomtrie, paisseur optique,
quantit deau liquide, etc). Cependant les nuages ont gnralement un effet rducteur sur le
rayonnement reu au sol puisquils rflchissent une partie de la lumire incidente vers les-
pace. Diverses approches seront abordes au cours de cette tude pour caractriser de faon
quantitative leffet de la couverture nuageuse sur le rayonnement au sol.

1.2 Mesures

1.2.1 Site dtude : le SIRTA

Lensemble des donnes de rayonnement utilises dans cette tude a t acquis sur le site du
SIRTA (Site Instrumental de Recherche par Tldtection Atmosphrique). Situ sur le plateau
de Palaiseau 2 , ce site dispose de nombreux capteurs ncessaires ltude de latmosphre et
plus particulirement du rayonnement incident au sol (Fig. 1.8). Il fait parti du BSRN (Baseline
Radiation Surface Network), un rseau regroupant 40 stations de mesure dans le monde et
garantissant un haut niveau de qualit et de suivi des instruments de mesure. Les capteurs
impliqus dans cette tude sont prsents dans la suite.
2. (48.7130 N,2.2080 E), 156m)
1.2. Mesures 11

Figure 1.8 Le SIRTA en image 3

12 Chapitre 1. Le rayonnement global : gnralits

Figure 1.10 Les angles couramment utili-

ss pour le rayonnent solaire : z est langle
Figure 1.9 Rayonnement direct et diffus : znithal,i est langle dlvation solaire, est
diffrents chemins langle azimutal

1.2.2 Capteurs pyranomtriques

Les radiations faibles longueurs donde (0.28-5 m) peuvent tre spares en trois com-
posantes (Fig. 1.9) :
Le rayonnement direct en incidence normale (DNI) : il sagit de la mesure du rayon-
nement arrivant par un chemin direct depuis le soleil sur un plan perpendiculaire la
direction du rayon. LOMM recommande lutilisation dun pyrhliomtre pour sa me-
sure.
Le rayonnement diffus horizontal (DHI) : il sagit de la mesure du rayonnement reu par
lensemble des autres chemins possibles sur un plan horizontal : diffusion de latmosphre,
rflexion simple ou multiple avec les nuages, latmosphre elle-mme, le sol ou des objets
de lenvironnement.
Le rayonnement global horizontal (GHI) : il sagit de la combinaison du rayonnement
diffus et de la partie horizontale du rayonnement direct. Il peut tre calcul partir des
prcdents par lquation 1.4 o z reprsente langle znithal dcrit en Fig. 1.10.
GHI = cos(z ) DN I + DHI (1.4)

La zone 2 du SIRTA (situe sur un toit) est quipe dune station automatique Kipp&Zonen
2AP (Fig. 1.11) depuis Septembre 2002 4 . Cette station est constitue dun "sun tracker"
lui-mme quip de trois capteurs Kipp&Zonnen :
Un pyrhliomtre pour la mesure du rayonnement normal direct (Fig. 1.12).
Un pyranomtre pour la mesure du rayonnement horizontal global (Fig. 1.13).
Un pyranomtre masqu pour la mesure du rayonnement horizontal diffus.
Les spcifications de ces capteurs sont donnes dans les tableaux 5 1.1 et 1.2. Conformment
la norme BSRN, ils prsentent les meilleurs performances actuellement disponibles. Les

4. [Link]
136-sirta-instruments-radiometers-fluxmeters
5. [Link]
1.2. Mesures 13

Spectral range 200 to 4000 nm

Sensitivity 7 to 14 V /W/m2
Response time <5s
Field of view 5 0.2
Operational temperature range -40 to 80 C
Maximum solar irradiance 4000 W/m2
International standards (ISO) First class

Table 1.1 Caractristiques du pyrhliomtre CHP 1

Spectral range 200 to 3600 nm

Sensitivity 7 to 14 V /W/m2
Response time <5s
Field of view 180
Operational temperature range -40 to 80 C
Maximum solar irradiance 4000 W/m2
International standards (ISO) First class

Table 1.2 Caractristiques du pyranomtre CMP 22

mesures sont effectues toutes les minutes et correspondent une moyenne de 60 mesures (1
par seconde). Un exemple de journe de mesure est donn en figure 1.14.

Figure 1.11 Station auto- Figure 1.12 Pyrhlio- Figure 1.13 Pyranomtre
matique Kipp&Zonen 2AP mtre CHP 1 CMP 22
14 Chapitre 1. Le rayonnement global : gnralits

cos(z ) Direct
Diffus
700
Global

600
Rayonnement (W/m2 )

500

400

300

200

100

6 8 10 12 14 16 18

Temps (Heures)

Figure 1.14 Exemple de mesures sur une journe

1.2. Mesures 15

Paramtre Borne infrieure Borne suprieure

Global -4 W/m2 1.5 S0 1.2 + 100 W/m2
Diffus -4 W/m2 0.95 S0 1.2 + 100 W/m2
Direct -4 W/m2 S0 1.2

Table 1.3 Conditions physiquement possibles, S0 reprsente la constante solaire ajuste

pour la distance Terre-Soleil. est le cosinus de langle solaire znithal cos(z ).

Paramtre Borne infrieure Borne suprieure

Global -2 W/m2 1.2S0 1.2 + 50 W/m2
Diffus -2 W/m2 0.75S0 1.2 + 30 W/m2
Direct -2 W/m2 0.95 S0 1.2 + 10 W/m2

Table 1.4 Conditions extrmement rares, S0 reprsente la constante solaire ajuste pour la
distance Terre-Soleil. est le cosinus de langle solaire znithal cos(z ).

1.2.3 Contrle de qualit et bilan des donnes

Les mesures de rayonnement effectues sur un site du BSRN passent plusieurs tests de
qualit [Roe+11]. Ces tests sont dcrits dans les tableaux 1.3 1.5. Il sagit principalement
de vrifier dune part la prsence des donnes mais aussi leur cohrence physique :
Le premier test porte sur la possibilit physique des mesures faites (Tableau 1.3).
Le second test porte sur les conditions dites extrmes : elles sont tolres dans la mesure
o leur apparition reste exceptionnelle (Tableau 1.4).
Enfin le dernier test est un test crois entre les diffrentes mesures de rayonnement
(direct/diffus/global) afin de vrifier leur cohrence physique (Tableau 1.5).
Dans le cadre de cette thse, seules les donnes acquises en 2011 et 2012 sur le site du SIRTA
ont t utilises. La figure 1.15 illustre les deux cycles annuels de GHI mesur. On observe
parfois des bandes sombres indiquant un manque de donnes. Les tests prcdemment prsen-
ts ont t appliqus sur ces donnes, les rsultats sont synthtiss dans le tableau 1.6 et ne
tiennent pas compte des 32 jours de donnes manquantes sur les 2 annes. Ce tableau indique
effectivement une trs grande qualit des donnes : on ne remarque quasiment aucune dtec-
tion sur les tests croiss et aucune donne physiquement impossible ou trs peu dans le cas du
capteur de rayonnement direct. Enfin, on note galement trs peu de "conditions extrmes"
(<0.5% Tableau 1.6). Selon les capteurs, ces conditions ne semblent pas tre les mmes. Les
figures 1.16 1.18 prsentent la localisation temporelle des mesures dtectes comme extrmes

Test Condition
Test 1 Global/(Diffus + Direct) = 1.0 8% for GLOB >50 W/m2 , z <75
Global/(Diffus + Direct) = 1.0 15% for GLOB >50 W/m2 , 75 <z <93
Test 2 Diffus/Global <1.05 for Global >50 W/m2 , z <75
Diffus/Global <1.0 10% for Global>50 W/m2 , 75 <z <93

Table 1.5 Validations croises.

16 Chapitre 1. Le rayonnement global : gnralits

1200

1000

8
Temps (heures)

800

12

600

16
400

20
200

24 0
100 200 300 400 500 600 700

Temps (jours)

Figure 1.15 Mesures de GHI sur les annes 2011 et 2012 au SIRTA.

Direct Diffus Global

Physiquement impossible 379 (<0.1%) 0 (0%) 0 (0%)
Condition extrmes 1954 (0.3%) 1501 (0.3%) 2062 (0.4%)
Test1 0 (0%)
Test2 20 (<0.1%)

Table 1.6 Tests de qualit des donnes de rayonnement. Les pourcentages sont donns par
rapport au nombre de mesures de jour (angle znithal<90) soit un total de 507159 points de
mesures sur 2 ans.

selon les tests du tableau 1.4 pour chaque capteur. Pour le rayonnement global, les erreurs
apparaissent majoritairement la nuit, o des valeurs infrieures -2 W/m2 sont enregistres.
Pour le diffus, il sagit plus ou moins du mme cas mais on remarque quelques points en jour-
ne, avec une concentration particulire sur quelques journes de 2012. Enfin, les conditions
extrmes pour le rayonnement direct sont surtout observes pour les rayonnements trs forts,
la plupart du temps en milieu de journe en t.
1.2. Mesures 17

8
Temps (heures)

12

16

20

24
100 200 300 400 500 600 700

Temps (jours)

Figure 1.16 Dtection des conditions extrmes sur le rayonnement global en 2011/2012 au
SIRTA.

8
Temps (heures)

12

16

20

24
100 200 300 400 500 600 700

Temps (jours)

Figure 1.17 Dtection des conditions extrmes sur le rayonnement diffus en 2011/2012 au
SIRTA.
18 Chapitre 1. Le rayonnement global : gnralits

8
Temps (heures)

12

16

20

24
100 200 300 400 500 600 700

Temps (jours)

Figure 1.18 Dtection des conditions extrmes sur le rayonnement direct en 2011/2012 au
SIRTA.
1.3. Fondamentaux pour la prvision du GHI 19

8
Temps (heures)

12

16

20

24
50 100 150 200 250 300 350

Temps (jours)

Figure 1.19 Modle ciel clair ESRA pour lanne 2011 valu sur le site du SIRTA.

1.3 Fondamentaux pour la prvision du GHI

1.3.1 Modle ciel clair

On dfinit habituellement deux types de variabilits pour le rayonnement au sol :

La variabilit lie la gomtrie Terre - Soleil (rayonnement hors atmosphre) et
latmosphre sans nuage : le "ciel clair".
La variabilit lie la couverture nuageuse.
Le rayonnement solaire par ciel clair est le rayonnement observ lorsquil ny a aucun nuage.
Il dpend donc de paramtres gomtriques (distance Terre/Soleil, altitude) mais aussi de
paramtres de latmosphre, puisque mme sans nuages, les gaz et les particules en suspen-
sion, les arosols, constituant latmosphre ont des interactions avec le rayonnement solaire
qui dpendent des caractristiques des particules. Plusieurs modles ont t prsents dans la
littrature pour caractriser le rayonnement "ciel clair" ([Gue08], [Mue+04], [Lef+13],etc.),
une tude comparative a t publie en 2006 [Ine06] puis en 2013 [IPC13]. On retiendra ici
le modle dit ESRA (European Solar Radiation Atlas) [RBW00] pour des raisons qui seront
dveloppes plus tard (section 3.2.3). Ce modle tient compte la fois des paramtres gom-
triques mais galement de la variation de composition de latmosphre par lintermdiaire du
facteur de trouble de Linke (Linke Turbidity factor). Ce facteur inclut la rflexion du rayonne-
ment par les arosols mais aussi son absorption par les gaz de latmosphre. Ainsi, il caractrise
lattnuation du rayonnement par latmosphre : plus il est grand, plus latmosphre ciel clair
attnue le rayonnement incident. Il est tabli pour le modle ESRA partir dune base de
donnes de Trouble de Linke en moyenne mensuelle climatologique. En pratique, le modle
ciel clair prsente les cycles journaliers (jour/nuit) et annuels comme illustr sur la figure 1.19.
20 Chapitre 1. Le rayonnement global : gnralits

1000 2

Measured GHI (a)

Clear sky GHI model (b)
Kc index (c)

800 1.5
GHI (W/m2 )

Kc index
600 1

400 0.5

200 0
6 8 10 12 14 16 18

Temps (heures)

Figure 1.20 Prsentation de lindex Kc sur une journe de mesure

1.3.2 Index de ciel clair Kc

A partir du modle ciel clair, on dfinit lindex Kc comme le rapport entre le rayonnement
mesur et le modle ciel clair (1.5). Cet index sans unit reprsente les variations lies unique-
ment la couverture nuageuse sur site. On obtient une variable thoriquement borne entre
0 et 1 (Fig. 1.20), mme si des valeurs suprieures 1 sont parfois observes dans certaines
conditions particulires. Il peut sagir dun effet lentille du aux nuages [Gue93], ou dune sous
estimation du modle de ciel clair utilis. En tudiant cette variable plutt que le GHI, on
saffranchit des cycles connus du rayonnement pour se concentrer uniquement sur les varia-
tions lies lenvironnement direct du capteur. Dans le cas dune journe ciel clair, on obtient
une variable constante et gale 1 toute la journe. Cet indice est donc gnralement prfr
au GHI dans la plupart des tudes sur la prvision ou lestimation locale du GHI.

GHI
Kc = (1.5)
GHICielClair

1.3.3 Modle de rfrence : la persistance

Le modle de persistance est reconnu comme la rfrence des mthodes de prvision du

GHI pour sa simplicit et son universalit. Il sappuie sur lhypothse de persistance de la
mesure dun instant un autre de proche en proche. La prvision dune variable temporelle
X(t) par persistance consiste crire lquation suivante :

+ 1) = X(t)
X(t (1.6)
1.3. Fondamentaux pour la prvision du GHI 21

600

GHI mesure
Mod`ele de persistance
500

400
GHI (W/m2 )

300

200

100

100
0 5 10 15 20 25

Temps (heure)

Figure 1.21 Modle de persitance appliqu directement au GHI pour une journe ciel clair.

Lapplication de ce modle la prvision du GHI ncessite lutilisation de lindex Kc. En effet,

en appliquant le modle directement au GHI on obtiendrait une prvision toujours en dcalage
avec la mesure cause de la variation journalire connue (Fig. 1.21). La prvision de GHI par
persistance scrit donc avec les quations suivantes :

GHI(t + 1) GHICielClair (t + 1)
+ 1) = Kc(t
(1.7)
Kc(t + 1) = Kc(t)

Cette mthode de rfrence a lavantage dtre trs performante ds que les conditions m-
torologiques sont assez stables. Les scores de persistance sont dailleurs trs importants pour
valuer et comparer des mthodes de prvision dveloppes et testes sur des jeux de donnes
diffrents. Les scores du modle de persistance donnent dune part une rfrence pour la pr-
vision mais aussi une information sur la difficult de celle-ci, ou du moins sur la variabilit
relative des jeux de donnes. Un bon score du modle de persistance indique un site o les
conditions mtorologiques sont relativement stables et vice versa [MC13b].

La section suivante prsente les diffrentes mtriques utilises pour valuer les mthodes
dveloppes par rapport la rfrence.

1.3.4 Mtriques

Soit la srie temporelle X compose de N lments x(k), on note X une estimation de cette
srie par un modle quelconque. On peut alors valuer la qualit de ce modle en utilisant
diffrents scores. Dans le cas de ltude du GHI, ces scores sont calculs pour des angles solaires
znithaux suprieurs 80 afin de ne pas prendre en compte les mesures de nuit et les angles
22 Chapitre 1. Le rayonnement global : gnralits

rasants. Les mtriques les plus courantes sexpriment ainsi :

1 PN
MBE (Mean Biased Error) = N k=1 x
(k) x(k) (1.8)

q PN
1 (1.9)
RMSE (Root Mean Square Error) = N k=1 (
x(k) x(k))2

k Xk )
V ar(X
R2 (Coefficient of determination) = 1 V ar(Xk )
(1.10)

Ces scores mettent chacun laccent sur des caractristiques particulires du modle de
prvision ou destimation. Il est important de bien comprendre le sens de chacune de ces
informations pour pouvoir ensuite les utiliser dans lvaluation comparative de modles. Les
figures 1.22.a 1.22.c prsentent des exemples destimations permettant de mettre en vidence
lintrt de chacun de ces scores. Ces trois figures illustrent trois estimations diffrentes dune
mme journe de mesure de rayonnement global. Le premier cas correspond un simple
dcalage damplitude de la courbe de mesure, le second lajout dun signal de bruit blanc
centr, et le troisime au modle de persistance brute (sans index Kc). Les scores obtenus dans
chacun des cas sont donns dans le tableau 1.7. Ces cas trs simples permettent de mettre en
vidence certaines proprits des mtriques prsentes :
La MBE donne une indication sur un dcalage systmatique du modle. Elle permet
de dtecter un biais. Elle ne donne aucune indication sur les autres types derreurs
puisquelle est nulle pour les cas (b) et (c).
La RMSE donne une indication plus gnrale de lerreur. En revanche son interprtation
doit tre faite avec beaucoup de prcaution. En effet, on notera quelle englobe tous les
types derreur. Daprs les rsultats du tableau 1.7, elle est impacte par le biais (cas
(a)), par le bruit (cas (b)) et aussi par les dcalage temporels (cas (c)), cest pourquoi
elle est souvent utilise comme rfrence pour caractriser un modle. Il est toutefois
important de remarquer ici que le meilleur modle daprs la RMSE est le modle (b).
Or on sait que le modle (a) contient lui la courbe exacte une addition prs, ce qui
est beaucoup plus intressant et facile extraire. Linterprtation de la RMSE doit
donc toujours se faire en rapport aux autres mtriques pour discerner les diffrents cas
derreurs possibles.
Le coefficient de dtermination permet davoir une indication sur la variabilit explique
par le modle. On dit dun modle quil caractrise parfaitement un phnomne lorsque
ce coefficient tends vers 1. Les modles (a) et (b) bien querrons subissent des variations
qui sont cohrentes avec les variations des mesures observes, en revanche le modle (c)
du fait du dcalage temporel important, subit des variations qui ne sont plus en lien
avec les fluctuations des mesures, do un coefficient de dtermination moindre.
Table 1.7 Rsultats pour chacune des estimations

MBE RMSE R2
Mesure - 20 20 20 1
Mesure + bruit centr ( = 0.05) 0 5 0.99
Persistance 0 43 0.88
1.4. Caractrisation du site dtude 23

(a) (b) (c)

GHI mesure GHI mesure GHI mesure
Mesure-20 Mesure+bruit centre Persistance (20min)

500 500 500

400 400 400

GHI (W/m2 )

300 300 300

200 200 200

100
100 100

0
0 0

5 10 15 20 5 10 15 20 25 5 10 15 20 25

Temps (heure) Temps (heure) Temps (heure)

Figure 1.22 Exemple derreur destimation dun signal de rayonnement

A partir de ces mtriques absolues, on peut dfinir des mtriques relatives partir dune
valeur de rfrence. Trs souvent la moyenne du rayonnement mesur sur lensemble de mesure
considr est choisi comme rfrence. On peut ainsi dfinir la RMSE relative (RMSEr) ou la
MBE relative (MBEr) en divisant ces deux scores par la valeur de rfrence. On obtient alors
des valeurs un peu plus indpendantes du site tudi. Toutefois, pour comparer des mthodes
ayant t values sur des jeux de donnes diffrents, il est intressant de se rfrer des scores
prenant en compte les scores de persistance. Comme on la soulign prcdemment, les scores de
persistance portent en eux une information sur la difficult de la prvision en fonction du site.
Une tude complte sur ces scores est dcrite dans [MC13b]. Nous retiendrons particulirement
le score RM SEperf dcrit par lquation 1.11, qui est le rapport entre la RMSE et la RMSE du
modle de persistance RM SEp . Un score de 1 indique un prvision parfaite, 0 une prvision
de performance gale la persistance, et enfin, un score ngatif indique un score infrieur
celui de la persistance.
RM SE
RM SEperf = 1 RM SEp (1.11)

1.4 Caractrisation du site dtude

1.4.1 Variabilit

Au del de la qualit des mesures, il est intressant de savoir caractriser le site de mesure
de faon simple. Il sagit de savoir sil existe une mtorologie prdominante ou non, et si
oui laquelle. Par exemple, une tude de prvision sur un site bnficiant dune mtorologie
trs souvent dgage aboutira de meilleures performances. On propose pour cela de faire
une classification assez simple des types de jours observs, base sur les mesures journalires
24 Chapitre 1. Le rayonnement global : gnralits

0.35

0.3

III
0.25

0.2
V

0.15

II 0.1

0.05

0
0 0.2 0.4 0.6 0.8 1 1.2 1.4
Kc
A B C

Figure 1.23 Rpartition des journes de 2011 dans le plan (Kc ,V)

moyennes sur 15 minutes. Afin de garder une classification simple, 2 critres ont ts retenus :
La moyenne de lindex Kc sur la journe Kc dcrite par lquation 1.12 o Njour indique
le nombre de points de mesures hormis la nuit (z >90).
Une mtrique V [MC13b] adapte la description de la variabilit "de proche en proche"
permettant de mieux dcrire la difficult de la prvision (Eq. 1.13)
1 PNjour
Kc = Njour k=1 Kc(k) (1.12)
q PNjour
1
V = Njour k=1 (Kc (k))2
(1.13)
Kc (k) = Kc(k + 1) Kc(k)

En utilisant ces deux critres on obtient une rpartition des journes prsente en figure
1.23. Il existe diffrentes mthodes pour la classification dun tel nuage de points, cependant il
sagit ici simplement dextraire les tendances gnrales, cest pourquoi une simple classification
arbitraire a t effectue comme indiqu en figure 1.23. Cette classification sappuie sur des
seuils arbitraires dfinis sur chacune des mtriques afin reprsenter au mieux la rpartition des
points observs. Elle divise lespace de dcision en 9 classes dcrivant la fois le niveau moyen
de la journe et sa variabilit. Le niveau moyen est class de A C ou A correspond une
moyenne de Kc faible et C une moyenne forte. La variabilit est dcrite de la mme faon par
les niveau I III. On obtient donc 9 classes de AI CIII couvrant lensemble des donnes. La
figure 1.24 prsente un exemple de journe de chaque classe. Les rsultats de classification pour
les deux annes tudies sont rpertoris dans le tableau 1.8. Daprs ce tableau, le site du
SIRTA est relativement difficile dans la mesure o plus de la moiti des jours sont considrs
comme variables. On note galement plus de journes couvertes (classe A) que de journes
ciel clair (classe C), plus faciles prvoir. Cette classification sera rutilise plus tard dans le
dveloppement des jeux de donnes (section 2.2.6).
1.4. Caractrisation du site dtude 25

AI BI CI
Ciel clair
1200 1200 1200
GHI (W/m2 )

GHI (W/m2 )

GHI (W/m2 )
1000 GHI mesure 1000 1000

800 800 800

600 600 600

400 400 400

200 200 200

0 0 0
0 5 10 15 20 25 0 5 10 15 20 25 0 5 10 15 20 25

1200
A II 1200
B II 1200
C II
GHI (W/m2 )

GHI (W/m2 )

GHI (W/m2 )
1000 1000 1000

800 800 800

600 600 600

400 400 400

200 200 200

0 0 0
0 5 10 15 20 25 0 5 10 15 20 25 0 5 10 15 20 25

1200
A III 1200
B III 1200
C III
GHI (W/m2 )

GHI (W/m2 )

GHI (W/m2 )
1000 1000 1000

800 800 800

600 600 600

400 400 400

200 200 200

0 0 0
0 5 10 15 20 25 0 5 10 15 20 25 0 5 10 15 20 25

Figure 1.24 Exemple de profil pour chaque classe, le nom des classes est explicit dans le
tableau 1.8

Table 1.8 Rsultats de classification des journes 2011 et 2012 en pourcentage (total de
journes = 699)

A : couvert B : mitig C : clair

31% 46% 23%
I : peu variable 33% 16 3 14
II : variable 52% 14 29 9
III : trs variable 15% 1 14 1
26 Chapitre 1. Le rayonnement global : gnralits

600
(a) 500
(b)
500 400
GHI (W/m2 )

GHI (W/m2 )
400
300
300
200
200
100
100

0 0

100 100
0 5 10 15 20 25 0 5 10 15 20 25

Temps (heure) Temps (heure)

500
(c) 500
(d)

400 400
GHI (W/m2 )

GHI (W/m2 )
300 300

200 200

100 100

0 0

100 100
0 5 10 15 20 25 0 5 10 15 20 25

Temps (heure) Temps (heure)

Figure 1.25 Impact de la rsolution temporelle. (a) chantillonnage : 1 minute, (b) moyenne
sur 15 minutes, (c) moyenne sur 30 minutes, (d) moyenne sur 60 minutes

1.4.2 Rsolution temporelle

Les capteurs prsents prcdemment (section 1.2.2) fournissent des sries temporelles de
donnes avec une priode dchantillonnage dune minute. Ce paragraphe tudie les cons-
quences du choix de la rsolution temporelle. La rsolution temporelle de la srie doit parfois
tre ajuster pour la "synchroniser" avec dautres capteurs (camra hmisphrique, satellite,...).
Ce changement de rsolution par moyenne a dabord un impact sur le type de variations tu-
dies. La figure 1.25 illustre la mme journe avec diffrentes rsolutions temporelles. Avec
laugmentation de la priode apparat un effet de lissage classique li au filtrage des hautes
frquences par lopration de moyennage. Il est important de noter que les phnomnes lisss
ici correspondent la rponse du capteur des phnomnes observables (petits nuages, etc.)
et non uniquement un bruit quelconque. Aussi faut-il choisir la rsolution temporelle en
fonction de la sensibilit du capteur que lon souhaite utiliser pour la prvision et du besoin.
Par exemple, une camra au sol filmant le ciel sera particulirement sensible aux petits nuages
passant sur le site, il est donc important de garder dans la srie temporelle de mesure lim-
pact de ces nuages. Dans le cas contraire, les variations observes dans limage auront de la
difficult, voire de limpossibilit, observer la correspondance dans la srie de mesure.

1.5 Conclusion

Tout dabord, ce chapitre a permis de prsenter le GHI sur le plan thorique et pratique.
Les mesures prsentes seront utilises dans les chapitres suivants pour valuer les modles
construits pour lestimation et la prvision du GHI. La caractrisation de la couche nuageuse
1.5. Conclusion 27

prsente sur le site a un impact trs important sur les variations du GHI par rapport au modle
"ciel clair". Dans les chapitres suivants, on tentera dextraire le maximum dinformation sur
la couverture nuageuse partir dimages prises depuis le sol, dimages satellitaires, puis en les
fusionnant.
 Chapitre 2

Estimation par utilisation dimageurs

hmisphriques du ciel depuis le sol

Sommaire
2.1 Etat de lart des imageurs au sol . . . . . . . . . . . . . . . . . . . . . . 29
2.1.1 Capteurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.1.2 Traitements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.1.3 Conclusion et positionnement des travaux . . . . . . . . . . . . . . . . . . 37
2.2 Estimation du GHI partir dimages au sol . . . . . . . . . . . . . . . 38
2.2.1 Prsentation de la mthode gnrale . . . . . . . . . . . . . . . . . . . . . 38
2.2.2 Pr-traitement des images . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.2.3 Liste des caractristiques disponibles . . . . . . . . . . . . . . . . . . . . . 39
2.2.4 Analyse des entres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.2.5 Rseau de neurones artificiels . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.2.6 Construction des bases dapprentissage/test . . . . . . . . . . . . . . . . . 51
2.2.7 Rsultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
2.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58

Ce chapitre traite de lutilisation dimages du ciel prises depuis le sol (quon appellera
images hmisphriques) pour lestimation et la prvision du GHI. Dans un premier temps,
on prsentera les capteurs habituellement rencontrs dans la littrature et utiliss pour cette
tude. Une prsentation synthtique de ltat de lart sur lutilisation de ces outils permettra
ensuite den dgager les principaux avantages et inconvnients. Enfin on dveloppera la m-
thode choisie ici pour tirer parti de ces images, dans un premier temps en estimation du GHI,
puis dans un objectif de prvision trs court terme de cette variable.

2.1 Etat de lart des imageurs au sol

2.1.1 Capteurs

Ltude de la couverture nuageuse partir dimages au sol peut se faire laide dun
quelconque appareil photo du commerce. Toutefois, il existe des systmes dvelopps par des

29
Chapitre 2. Estimation par utilisation dimageurs hmisphriques du ciel depuis
30 le sol

Figure 2.1 TSI 880 Figure 2.2 Image brute et image traite

industriels ou des universitaires qui proposent des caractristiques particulirement avanta-

geuses pour le suivi rgulier de la vote de jour. Ces caractristiques sont les suivantes :
Champs de vision permettant lacquisition dimages hmisphriques du ciel
Communication des donnes
Rsistance aux conditions climatiques extrieures (pluie, vent, etc)
On retiendra parmi les instruments dcris dans la bibliographie les deux suivants : le Whole Sky
imager (WSI) et le Total Sky Imager (TSI). Ces deux instruments ont t analyss et compars
dans [SLT01]. Le paragraphe suivant sintresse plus prcisment au TSI : ce capteur est install
sur le site du SIRTA proche du point de mesure pyranomtrique. Le TSI reste la rfrence
industrielle mme si dautres dispositifs moindre cot commencent merger [Gau+12].

[Link] Le Total Sky Imager

Le TSI est le dispositif le plus reprsent dans la littrature [Cho+11], [Pfi+03], [SLT01],
[MC13a]. Dvelopp par la socit Yankee Environmental Systems (YES) dans le Massuchus-
sets, le TSI 880 (Fig. 2.1) est le dernier modle de la gamme depuis 2006. Ses caractristiques
sont fournies dans le tableau 2.1. Le TSI est constitu dun capteur CCD (Charged Coupled
Device) observant un miroir hmisphrique en rotation synchronise avec langle azimutal so-
laire. Une bande noire sur le miroir attnue trs fortement le rayonnement normal direct pour
protger le capteur. Le TSI dispose dune fonction intgre permettant la segmentation des
images, le calcul de fraction nuageuse et laffichage des images traites ou non (Fig. 2.2). Plu-
sieurs paramtres de ces fonctions sont laisss la main de lutilisateur comme langle znithal
minimum pour lenregistrement ou les paramtres de calibration de la segmentation de cou-
verture nuageuse. De faon gnrale, les rsultats de segmentation du TSI ne sont performants
que pour des angles znithaux infrieurs 80[SLT01] ; les images ne sont donc traites que
pour un champ de vision de 160. Le TSI a trois principaux dfauts :
Le miroir est sensible lhumidit et peut tre endommag dans certaines conditions
climatiques.
Du fait de la bande noire protectrice et du placement de la camra au dessus du miroir,
8% du champ de vision inutilisable [LSC+06].
Cest le dispositif le plus cher.
2.1. Etat de lart des imageurs au sol 31

Table 2.1 Caractristiques techniques du TSI

Image resolution 640 x 480 color, 24-bit JPEG format

Image typical size 30 KB
Sampling rate Variable, with max of 30 sec
Operating temperature -40C to +44C
Software None required for immediate real time display ; uses Internet Ex-
plorer or Netscape Browsers on MS-Windows, Mac, UNIX
Data telemetry LAN Ethernet (TCP/IP), telephone modem (PPP) or data sto-
rage module option (for off grid site)

2.1.2 Traitements

[Link] Segmentation et classification de la couverture nuageuse

Lune des premires motivations pour lutilisation dimages hmisphriques a t la mesure

automatique de fraction nuageuse. Plusieurs mthodes de segmentation puis de classification
sont alors apparues. Lide principale pour la segmentation de telles images repose sur le ratio
des canaux rouge et bleu de limage. En effet, alors que le ciel clair diffuse plus de bleu que de
rouge, les nuages ont eux un coefficient de transmission assez similaire pour ces deux bandes
spectrales [Pet06]. En utilisant ce ratio Rouge/Bleu, on peut alors sparer le ciel clair des
nuages laide dun seuil dont la valeur est proche de 0.6 selon [LSC+06]. Un seuil sur la
valeur du Rouge - Bleu a galement t propos par [HMS10] en 2010 dans une tude utilisant
un TSI. Dautres travaux ont montr plus tard de meilleures performances en faisant varier
la valeur du seuil en fonction de certaines zone de limage (circumsolaire, znithale, horizon,
etc) [Gau+12] [MC13a], et parfois en utilisant des seuils plus complexes sur plusieurs canaux
[Kaz+12]. La figure 2.4 prsente un exemple classique de segmentation utilisant le ratio de
Rouge/Bleu.

Les images hmisphriques permettent galement deffectuer une classification des types
de nuages observs. Heinle et al. [HMS10] proposent une classification base sur les classes
dfinies par lorganisation mondiale de la mtorologie. Quelques modifications ont cepen-
dant t apportes : partir des 10 classes dorigines (section 1.4.1), 7 ont t retenues en
regroupant certaines classes considres trop proches comme indiqu dans le tableau 2.2. Ces
travaux ont ensuite t repris par Kazantzidis et al. en 2012 avec des critres de segmentation
diffrents, puis par Liu et al. dans une approche impliquant ltude de squences dimages sous
forme de tenseur. Les rsultats obtenus pour chacune de ces mthodes sont rapports dans
le tableau 2.3. Ces rsultats ont t tablis sur des jeux de donnes diffrents, leur comparai-
son directe reste donc difficile. Toutefois, ils semblent montrer que lintgration dinformation
temporelle permet une amlioration importante des scores de reconnaissance de classes. Ces
tudes, bien quindirectement lies la problmatique principale de la thse, reprsentent une
trs importante source dinspiration pour lutilisation dimages au sol dans un objectif de ca-
ractrisation de la couverture nuageuse. Des approches plus directes vers la prvision du GHI
sont prsentes dans la section suivante.
Chapitre 2. Estimation par utilisation dimageurs hmisphriques du ciel depuis
32 le sol

Figure 2.4 Image seuille : bleu = ciel

clair ; blanc = nuages clairs ; gris = nuages
Figure 2.3 Image brute opaques

Table 2.2 Classes utilises pour classification par Heinle et al. [HMS10] (cf chap1)

Numro Classe
1. Cumulus
2. Cirrus et Cirrostratus
3. Cirrocumulus et Altocumulus
4. Ciel clair
5. Stratocumulus
6. Status et Altostratus
7. Cumulonimbus et Nimbostratus

Table 2.3 Comparaison des rsultats de classification : Les lments de la ligne i et colonne j
reprsentent le pourcentage de la classe i identifi comme classe j pour chacune des mthodes :
H Heinle et al. [HMS10], K Kazantzidis et al. [Kaz+12], L Liu et al. [Liu+13]. (Cf tableau 2.2)

1 2 3 4 5 6 7
Classes H K L H K L H K L H K L H K L H K L H K L
1. 67 92 96 16 5 0 15 3 4 0 0 0 0 0 0 0 1 0 2 0 0
2. 6 1.8 0 79 95 92 0 3 8 15 0 0 0 0 0 0 0 0 0 0 0
3. 11 9 5 3 8 0 81 78 95 0 0 0 2 5 0 3 0 0 0 0 0
4. 6 0 0 18 5 0 0 0 0 76 95 100 0 0 0 0 0 0 0 0 0
5. 0 0 0 0 0 0 33 0 0 0 0 0 41 93 90 26 2 10 0 5 0
6. 0 0 0 0 0 0 10 0 0 0 0 0 0 7 9 90 93 86 0 0 5
7. 0 0 0 0 0 0 14 0 0 0 0 0 0 17 9 0 0 5 86 83 86
2.1. Etat de lart des imageurs au sol 33

[Link] Vers la prvision du GHI

Depuis lapparition des imageurs dans la littrature, de nombreuses tudes se sont pen-
ches sur leur utilit quant la prvision du rayonnement peru au sol, dans le cadre gnral
de la prvision de production dnergie photovoltaque. Ces travaux sont en lien troit avec
ceux prsents sur la classification de la couverture nuageuse et en sont souvent trs inspirs.
En effet, les diffrentes classes de nuages ont potentiellement un effet diffrent sur le rayonne-
ment peru au sol. Ainsi, les paramtres permettant didentifier ces classes sont gnralement
pertinents pour lestimation du GHI. Il ny alors plus quun pas vers la prvision, combl soit
par une tape de traitement dimage (calcul de champ de vecteurs, cf chapitre 3), soit par
lutilisation dalgorithmes mathmatiques (rgression). Ces travaux constituent ltat de lart
le plus proche du modle qui sera prsent par la suite. Il est donc ncessaire dapprofondir da-
vantage leur dmarche respective. Les travaux de Chow et al. [Cho+11] ont pos les premires
pierres pour la prvision du GHI. Ils proposent dutiliser une mthode de traitement dimage
(Cross-correlation Method) pour calculer un champ de vecteurs reprsentatifs du mouvement
observ dans limage. En utilisant ces vecteurs, il sagit alors danticiper la future image par
translation de la couverture nuageuse, puis dappliquer les mthodes de segmentation pour
identifier les nuages dans cette image projete. La dernire tape consiste valuer limpact
des nuages sur le GHI. Cest sur ce dernier point que la mthode a ses points faibles, ne
proposant que deux niveaux de prvision, avec ou sans nuages. On notera galement de nom-
breuses restrictions sur les conditions dapplication de lalgorithme de calcul du champ de
vecteurs. Cest une stratgie similaire qui est propose par Marquez et al. [MC13a] mais pour
la prvision du rayonnement direct. La mthode est en effet plus adapte la prvision du
DNI, le champ de vecteurs permettant de prvoir notamment les probabilits dobstruction
du soleil dans limage. Les rsultats obtenus sont alors trs satisfaisants et pointent dj les
limites de limage au sol en terme dhorizon de prvision une vingtaine de minutes. Le lien
avec le GHI reste lui plus compliqu tablir. Fu et al. [FC13] proposent dtablir ce lien au
moyen dun apprentissage sur des caractristiques de limage. La prvision ne requiert alors
plus de champs de vecteurs mais une base dapprentissage et des critres adapts. Quatorze
caractristiques sont extraites pour chaque image, mais seules les plus corrles sont utilises
pour lapprentissage du modle de prvision. On obtient un modle diffrent pour chaque hori-
zon de prvision variant entre 5 et 15 minutes. Les rsultats dmontrent lintrt des modles
apprentissage pour la conversion dinformation entre image et GHI. Ces trois approches
diffrentes sont rsumes dans les tableaux 2.4 2.6.
Chapitre 2. Estimation par utilisation dimageurs hmisphriques du ciel depuis
34 le sol

Table 2.4 Rcapitulatif des travaux de Chow et al. [Cho+11]

Instrument TSI-440 (Yankee Environmental Systems)

Priode dchantillonage 30s
Localisation University of California San Diego
Variable dtude GHI
Mthodologie
Segmentation : librairie de "Ciel clair" + "sunshine parame-
ter".
Projection des ombres des nuages partir dune altitude de
la base des nuages donne par un ceilomtre.
Mouvement des nuages : Cross-correlation Method sur le canal
rouge.
Prvision : advection de limage en suivant le vecteur dter-
min.

Restriction/Hypothse
Image acquise pour : angle dlvation solaire >3
Zone traite : angle znithal <65
Hypothse : altitude de la base des nuages constante.
Attnuation due un nuage : 60% du ciel clair, choix arbi-
traire.
Situations cartes : jours compltement clairs ou couverts,
couches multiples, dformation rapide, formation ou vapora-
tion de nuages...

Rsultat
Estimation : 70% de bonne reconnaissance (ciel clair vs ciel
couvert)
Prvision : Pas de scores concernant directement le GHI
valuation de la reconstruction de limage aprs translation
par divers scores pour des horizons variant de 30 secondes 5
minutes (rsultats globalement satisfaisants)
Pas de prvision de GHI.
2.1. Etat de lart des imageurs au sol 35

Table 2.5 Rcapitulatif des travaux de Marquez et al. [MC13a]

Instrument TSI-880 (Yankee Environmental Systems)

Priode dchantillonage 1 min
Localisation University of California
Variable dtude DNI
Mthodologie
Masque des images (bande noire + environnement)
Transformation en grille rectangulaire (image originellement
sphrique)
Calcul du champ de vecteurs : Particule Image Velocimetry
(PIV) [MC04]
Classification K-means du champs de vecteur en 2 classes,
choix de la classe de moyenne la plus leve comme vecteur
de limage
Segmentation : Seuillage hybride [LLY11]
Dcoupage de zones dintrt dans la direction oppose au
vecteur
Prvision : P = DN Imax (1-Fraction nuageuse(zone dint-
rt))

Restrictions/Hypothses RAS
Rsultats
Prvision par TSI estime possible jusqu 12-18 minutes
RM SEperf entre 20% et 40%, volution des rsultats coh-
rente avec laugmentation de lhorizon de prvision
Chapitre 2. Estimation par utilisation dimageurs hmisphriques du ciel depuis
36 le sol

Table 2.6 Rcapitulatif des travaux de Fu et al. [FC13]

Instrument All sky camera (Santa barbara Instrument Group : [Link].

com)
Priode dchantillonnage 10s
Localisation Industrial Technology Research Institute, No. 195, Sec. 4,
Chung Hsing Rd., Chutung, Hsinchu 31040, Taiwan
Variable dtude GHI
Mthodologie
Extraction de 14 caractristiques de limage
Segmentation : Ratio R/B classique comme dcrit par
[LSC+06]
Construction dun modle de rgression sur une base dap-
prentissage (polynme de rgression)
Utilisation dune variante de lindex Kc la place de lap-
prentissage direct du GHI
Prvision via rgression

Restriction/Hypothses
Utilisation dartefacts propre la camra

Rsultats
RM SEr 15 minutes : 27,5%
M AEr 15 minutes : 24%
2.1. Etat de lart des imageurs au sol 37

2.1.3 Conclusion et positionnement des travaux

La bibliographie a dmontr lintrt de limage au sol pour la caractrisation de la couver-

ture nuageuse dans un premier temps (classification) et donc pour lestimation et la prvision
du rayonnement peru au sol. Ces images apportent une information trs rsolue qui permet
de diffrencier des phnomnes fins et daccder des prvisions de dplacement trs petite
chelle en contrepartie dune limitation de lhorizon de prvision une vingtaine de minutes
dpendant de laltitude et de la vitesse des nuages. En revanche la conversion dinformation
entre limage et le rayonnement reste un enjeu capital. Si le DNI semble plus facile expliquer
grce aux informations sur la rgion circumsolaire, lobtention du GHI semble plus complexe.
Les premires tudes abordant le sujet ont montr des rsultats intressant en utilisant un
modle de rgression. Le choix des critres dentre et la construction des bases de donnes
deviennent alors des enjeux capitaux du modle. Cest dans cet axe dtude que sinscrit le
modle prsent dans ce chapitre. En sinspirant des travaux raliss en classification, on tu-
diera la pertinence de diverses caractristiques de limage pour lestimation du GHI via un
modle de rgression non linaire : le rseau de neurones artificiel.
Chapitre 2. Estimation par utilisation dimageurs hmisphriques du ciel depuis
38 le sol
2.2 Estimation du GHI partir dimages au sol

Cette section prsente des travaux originaux dvelopps au cours de la thse. Comme indi-
qu prcdemment, ltude sinscrit dans la tendance donne par ltat de lart sur lestimation
de GHI par image au sol dveloppe antrieurement aux travaux de Marquez et al. [MC13a]
et de Fu et al. [FC13]. Les rsultats de ces travaux ont fait lobjet dune publication soumise
au journal "Sustainable Energy".

2.2.1 Prsentation de la mthode gnrale

Nous disposons dinformations de limage hmisphrique que nous souhaitons utiliser pour
estimer le rayonnement. Il sagit alors de dterminer quelles caractristiques de limage sont
rellement pertinentes, et ensuite, comment sont-elles lies la variable dintrt. Si la premire
partie relve du traitement dimages pour lextraction des caractristiques, la seconde peut tre
identifie comme une tape de rgression. Il existe de multiples mthodes pour rsoudre les
problmes de rgression ([SL12], [Hue+96]), le choix sest port ici sur lutilisation dun rseau
de neurones artificiels (ANN) (cf 2.2.5). La figure 2.5 donne une vue densemble de la mthode.
Les parties 2.2.3 2.2.4 dcrivent lextraction des entres du rseau de neurone partir des
images brutes. Les rseaux de neurones sont ensuite prsents en section 2.2.5 suivis par la
mthode de cration des diffrentes bases de donnes ncessaires (section 2.2.6). Enfin, les
rsultats sont dtaills en section 2.2.7.

2.2.2 Pr-traitement des images

Les images utilises proviennent dun TSI-880 install sur le site du SIRTA moins de
10 mtres du capteur de rayonnement de rfrence. Les images brutes sont acquises toutes
les minutes. Ce sont des images classiques trois canaux RVB (Rouge/Vert/Bleu) avec une
rsolution de 480640 pixels. De la mme manire que pour les donnes de rayonnement, la
disponibilit des images sur lanne dtude a t teste. Les rsultats sont visibles en figure 2.6.
Globalement, sur les plages horaires correspondant un angle solaire znithal infrieur 75
les images sont disponibles plus de 99% (2151 images manquantes sur 176609 concernes).
Ces images ne sont pas exploitables directement pour ltude de la couverture nuageuse en
raison de diffrents lments gnant linterprtation des images (Fig. 2.7) :
la bande noire ;
le bras de la camra ;
lenvironnement du dispositif.
Ces diffrents lments ont donc t masqus afin de pouvoir extraire des informations ne
concernant que la couverture nuageuse. Dans le cas des deux derniers lments, un masque
fixe ralis manuellement suffit. En revanche, la bande noire provient dune bande de scotch
appose sur le miroir rotatif, sa position dans limage dpend donc de langle solaire azimutal.
Pour masquer cette bande, un masque a t cr sur une position fixe, puis mis en rotation en
fonction de langle solaire. Le rsultat du masque total est prsent par la figure 2.8. Aucune
2.2. Estimation du GHI partir dimages au sol 39

Extraction de
caractristiques

t(min)
Images (TSI)
Classification
Pyranomtre

TSI t(min)

GHI
Apprentissage Validation

Entranement
Apprentissage
Apprentissage du
du rseau
rseau de
de neurones
neurones

Extraction de
caractristiques

t(min)

Estimation de GHI
t(min) Rseau entran
TSI Images (TSI)

Estimation
Estimation partir
partir d'un
d'un rseau
rseau entran
entran

Figure 2.5 Vue densemble de la mthode destimation

autre modification nest effectue sur limage.

2.2.3 Liste des caractristiques disponibles

Il existe de multiples faons dextraire de linformation dune image. La liste de caract-

ristiques prsente ci-dessous est inspire des travaux cits prcdemment en classification de
couverture nuageuse ([HMS10] [CS08]) et en estimation de GHI par image au sol [FC13]. La
plupart des statistiques utilises sont applicables pour un seul canal la fois. Dans le but
dtre le plus exhaustif possible, elles ont t calcules pour chacun des 3 canaux (RVB) de
limage, ainsi que pour un canal unique S obtenu en sommant ces 3 canaux. Ainsi lapport
de chaque canal pourra-t-il tre tudi a posteriori. Lobjectif sera alors de ne retenir parmi
toutes ces possibilits que celles qui apportent une information pertinente pour lestimation du
rayonnement. Pour lensemble des dfinitions, la lettre C reprsente un des canaux et renvoie
donc lensemble {R,V,B,S}. Par ailleurs, seuls les pixels non masqus sont pris en compte
dans tous les cas, ainsi la valeur Npix reprsente le nombre total de pixels non masqus dans
limage.
Chapitre 2. Estimation par utilisation dimageurs hmisphriques du ciel depuis
40 le sol

4
Heure de la journee (heures)

12

16

20

24
50 100 150 200 250 300 350

Jours de lannee

Figure 2.6 Disponibilit des images du TSI sur lanne 2011, les points rouges reprsentent
les images disponibles.

Figure 2.7 Image brute Figure 2.8 Image masque

2.2. Estimation du GHI partir dimages au sol 41

Figure 2.9 Information apporte par la dissymtrie sur une distribution donne

[Link] Caractristiques classiques

La moyenne M donne la valeur moyenne des pixels hors masque de ces images. La com-
paraison de la moyenne de chaque canal apporte une information intressante sur la situation
globale.
NP
pix
1 (2.1)
M C = Npix C(i)
i=1

Lcart type (STD) caractrise la distribution du niveau des pixels dans limage autour
de la moyenne. Il permet par exemple de diffrencier un ciel compltement homogne dun ciel
avec beaucoup de perturbation. Il est calcul pour chaque canal selon lquation :

s
NP
pix
1 (2.2)
ST DC = Npix 1 (C(i) M C)2
i=1

La dissymtrie (SK) (Skewness(SK) en anglais) est un paramtre de forme de la distri-

bution du niveau des pixels (Fig.2.9). Elle est calcule pour chaque canal selon lquation :

NP
pix
SKC = 1
Npix 1 ( C(i)M C 3
ST DC )
(2.3)
i=1

[Link] Caractristiques de texture

Nous nous intressons ensuite des caractristiques de textures de limage. Comme indiqu
par Heinle et al. [HMS10], nous utilisons pour cela la matrice de co-ocurrence des niveau de gris
Chapitre 2. Estimation par utilisation dimageurs hmisphriques du ciel depuis
42 le sol
(MCOO) [HSD73]. Cette matrice permet de caractriser la priodicit ainsi que la directivit
des textures. Elle sappuie sur la relation liant deux pixels, un pixel de "rfrence" et un pixel
dit "voisin". On peut par exemple choisir pour pixel voisin celui situ lest de la rfrence,
relation qui peut alors scrire (1,0) ce qui signifie 1 pixel dans la direction x horizontale et 0
pixel dans la direction y verticale. Le principe consiste compter le nombre doccurrence de
chaque combinaison possible de couple {rfrence,voisin} pour une direction donne dans une
matrice. On sappuiera pour lexplication de la MCOO sur limage exemple Fig. 2.11 1 . Limage
example ayant des valeurs comprises entre 0 et 3, lensemble des combinaisons possibles (dans
la direction (1,0)) peut tre reprsent dans une matrice de taille 4 4 comme illustr par la
figure 2.12. On obtient ainsi pour lexemple (Fig. 2.11) et dans la direction (1,0) la MCOO pr-
sente en figure 2.13. On peut y lire que la valeur 2 a 3 fois la valeur 2 comme voisin de droite.
Les caractristiques de textures voulues ncessitent lutilisation dune matrice symtrique. On
additionne donc les matrices de direction (1,0) et (-1,0) afin dobtenir une matrice symtrique
caractrisant les variations horizontales. Il est galement plus commode de travailler avec des
probabilit dapparition dun couple plus quavec un dcompte, cest pourquoi on normalise
les valeurs obtenues par le nombre maximal doccurrences possibles (li la taille de limage).
On obtient alors une valeur Pi,j donnant la probabilit dapparition du couple point par la
ligne i et la colonne j. De la mme manire on obtient une MCOO verticale que lon peut
combiner avec la matrice horizontale en faisant une moyenne pour obtenir une MCOO unique
pour limage. Cest partir de cette matrice que sont calcules les diffrentes mesures de tex-
ture. Toutefois, pour pallier le problme de la bande noire et du masque, ces mesures nont pas
t calcules directement pour toute limage mais pour plusieurs sous-images de taille 20 20
ne comportant aucun pixel masqu. La moyenne de ces mesures est ensuite retenue comme
valeur pour limage entire. Les quation suivantes dcrivent les caractristiques extraites de
la MCOO :

Contraste (CON)
1
NP
CON = Pi,j (i j)2 (2.4)
i,j=0

Dissemblance (DIS)
1
NP
DIS = Pi,j |i j| (2.5)
i,j=0

Homognit (HOM)
1
NP
Pi,j
HOM = 1+(ij)2 (2.6)
i,j=0

1. [Link]
2.2. Estimation du GHI partir dimages au sol 43

Figure 2.10 Valeurs des pixels Figure 2.11 Image correspondante

0 0 1 1
0 0 1 1
1

0 2 2 2 2

2 2 3 3
3

1 2 3 4

Figure 2.12 Combinaisons possibles Rf- Figure 2.13 MCOO pour limage exemple
rence/voisin Fig. 2.11
XXX
XXX Rfrence 4 2 1 0
XXX 0 1 2 3
Voisin XX X 2 4 0 0
0 0,0 0,1 0,2 0,3 1 0 6 1
1 1,0 1,1 1,2 1,3 0 0 1 2
2 2,0 2,1 2,2 2,3
3 3,0 3,1 3,2 3,3

Table 2.7 MCOO normalise pour lexemple :

0.16 0.08 0.04 0

0.08 0.16 0 0
0.04 0 0.25 0.04
0 0 0.04 0.08
Chapitre 2. Estimation par utilisation dimageurs hmisphriques du ciel depuis
44 le sol
[Link] Caractristique de la couverture nuageuse

Les statistiques cites prcdemment sont des critres classiques utiliss dans de nom-
breuses applications en traitement dimage. Dautres caractristiques plus spcialises peuvent
galement tre extraites. Il sagit des caractristiques bases sur la segmentation de la cou-
verture nuageuse voque dans ltat de lart. A partir de limage segmente, il est possible
dextraire au moins deux critres simples, le ratio de ciel couvert et le nombre de nuages
dtects. Ltat de lart propose de multiples pistes pour la segmentation de la couverture
nuageuse. Les critres souhaits tant assez gnraux, nous nous attacherons choisir une
mthode simple et robuste. Afin de choisir le critre de segmentation, quelques tests ont t
effectus pour comparer les mthodes les plus classiques :
Seuil sur le ratio R/B [LSC+06].
Seuil sur la diffrence R - B [HMS10].
Il nexiste pas de rgle absolue pour juger de la qualit dune segmentation de nuage, les rsul-
tats sont toujours compars lestimation faite par un observateur. Cest donc en comparant
visuellement les rsultats de segmentation limage dorigine que lon jugera la mthode et/ou
les paramtres tests. Afin de tester la robustesse des mthodes de segmentation, les images
tests sont choisies de faon tre reprsentatives des diffrentes conditions dillumination
possible. On choisit pour cela trois critres :
Langle solaire : Haut ou rasant.
La prsence de nuage devant le soleil : nuage ou soleil.
Ciel uni ou fractionn.
Un ensemble de test de 8 images prsentes en figure 2.14 est ainsi dfini, ces images repr-
sentent lensemble des situations observables. Les seuils donns dans les rfrences respectives
de chaque mthode dpendent de la camra utilise. Une tude pralable visant la dfinition
des seuils de chaque mthode a t mene. Ltude concernant la mthode de ratio est dtaille
ci-dessous, les autres mthodes ont t calibres de la mme manire.

Dfinition du seuil pour la mthode R/B : La valeur conseille [LSC+06] du seuil pour
la mthode du ratio R/B est de 0.6. Afin de vrifier la validit de cette valeur pour les images
du capteur utilis ici, une srie de tests a t effectue avec des valeurs de seuils avoisinant 0.6.
Pour chacun de ces tests, les 8 images tests sont reprsentes avec un contour de segmentation
rouge reprsentant la frontire des nuages selon le seuil utilis (Fig. A.1 A.5). Un seuil trop
faible conduit une segmentation de limage entire en tant que nuage (Fig. A.1) tandis que
le phnomne inverse se produit pour un seuil pris trop grand (Fig. A.5) o lensemble de
limage est toujours considr comme ciel clair. Le compromis se situe donc bien autour de la
valeur 0.6. Notons toutefois deux problmes :
Pour les angles rasants, le "halo de diffusion" est considr comme un nuage. Cette zone
de mauvaise classification est dautant plus large que le seuil sur le ratio R/B est faible.
Certains nuages ne sont pas correctement identifis lorsque le ratio augmente, notam-
ment sous condition dangle solaire proche du znith.
Aprs une analyse visuelle dtaille des rsultats prsents, un seuil de 0.65 a t choisi pour
cette mthode. Cette valeur semble tre le meilleur compromis tant donns les problmes
2.2. Estimation du GHI partir dimages au sol 45

Figure 2.14 Set dimages test pour la comparaison des mthodes de segmentation

rasant uni nuage rasant uni soleil haut uni nuage

haut uni soleil rasant fractionn nuage rasant fractionn soleil

haut fractionn nuage haut fractionn soleil

Table 2.8 Paramtres des mthodes de segmentation utilises

Nom Formulation Seuil

Ratio R/B >SR SR = 0.65
Diffrence B-R >SD SD = 65

voqus ci-dessus.

De la mme manire, nous fixons les seuils pour la mthode utilisant la diffrence R-B.
Les rsultats sont synthtiss dans le tableau 2.8. Les rsultats obtenus avec les seuils choisis
sont donns en figure 2.15 et A.4. De manire gnrale, les rsultats sont similaires et assez
difficiles dpartager. La mthode utilisant la diffrence semble toutefois introduire plus de
bruit notamment dans le cas de couverture de type "uni". Cest pourquoi nous lui prfrerons
le ratio R/B dailleurs plus couramment utilis dans la littrature. Au vu des diffrents cas
de segmentation, lune des pistes pour amliorer cette tape serait de modliser limpact de
lclairement sur limage pour pouvoir corriger limage avant de la segmenter.

Dfinition des caractristiques nuageuses : A partir de la carte segmente, deux carac-

tristiques principales sont dfinies :
Lindice de couverture nuageuse : il est calcul en divisant le nombre de pixels nuageux
par le nombre total de pixels de ciel (aprs masquage de limage) :

ICC = Npixnuage /Npixtotal (2.7)

Le nombre de nuages N bnuage : il est calcul en utilisant une fonction de labelisation des
objets segments (connexit 8) puis un dcompte. Ce nombre permet de diffrencier les
Chapitre 2. Estimation par utilisation dimageurs hmisphriques du ciel depuis
46 le sol

Figure 2.15 Test de seuil pour la mthode de segmentation par diffrence : Seuil = 65

rasant uni nuage rasant uni soleil haut uni nuage

haut uni soleil rasant fractionn nuage rasant fractionn soleil

haut fractionn nuage haut fractionn soleil

seuil = 65
2.2. Estimation du GHI partir dimages au sol 47

Figure 2.16 Test de seuil pour la mthode de segmentation par ratio : Seuil =0.65

rasant uni nuage rasant uni soleil haut uni nuage

haut uni soleil rasant fractionn nuage rasant fractionn soleil

haut fractionn nuage haut fractionn soleil

seuil = 0.65
Chapitre 2. Estimation par utilisation dimageurs hmisphriques du ciel depuis
48 le sol
Figure 2.17 Effet de blanchissement de la bande noire en prsence de rayonnement direct

(b)
(a)

900

800
GHI(W/m2 )

700

600

500

400

300

200

6 8 10 12 14 16

Temps(h)
Mesures
Ciel clair
(d) titre4

900

800

700
GHI(W/m2 )

600

500

400

300

200

100
10.3 10.4 10.5 10.6 10.7 10.8 10.9 11 11.1

Temps(h)

cas de ciel partiellement couvert de petits nuages des cas de ciel prsentant un ou deux
nuages importants.

[Link] Critre de prsence du rayonnement direct

La bande noire appose sur le miroir a pour objectif de masquer le rayonnement direct du
soleil afin de protger les cellules de la camra sur le long terme. Toutefois, une observation
approfondie a permis de mettre en vidence un comportement particulier : en prsence de
rayonnement direct, la zone circumsolaire de la bande noire subit un effet de blanchissement
li la rflexion spculaire du rayonnement direct. Ce phnomne napparat pas lorsque le
rayonnement provient uniquement de sources diffuses (Fig. 2.17). Pour avoir une observation
indirecte de loccultation ou non de la zone circumsolaire, le niveau moyen de la zone cricum-
solaire de la bande noire (entoure en rouge sur la figure 2.17.b) est extrait et utilis comme un
critre additionnel Ban. Sagissant dun effet de blanchiment, les trois canaux se comportent
de faon similaire, seul le niveau du canal rouge a t extrait apportant ainsi une information
trs lie la prsence de rayonnement direct, composante dterminante pour lestimation du
GHI.

Bilan : Nous retenons finalement un ensemble de 20 critres extraits pour chaque image
rassembls dans le tableau 2.9
2.2. Estimation du GHI partir dimages au sol 49

Table 2.9 Bilan des entres brutes

Numro Critre Numro Critre

1 MR 11 SkB
2 MG 12 SkS
3 MB 13 Con
4 MS 14 Hom
5 StdR 15 Dis
6 StdG 16 Ent
7 StdB 17 Ener
8 StdS 18 Icc
9 SkR 19 Nbnuage
10 SkG 20 Ban

Table 2.10 Entres slectionnes aprs ltude de la matrice dinter-corrlation (Fig. 2.18)

Numro Critre Numro Critre

1 MR 7 Con
2 MB 8 Ent
3 StdR 9 Icc
4 StdB 10 Nbnuage
5 SkR 11 Ban
6 SkB

2.2.4 Analyse des entres

Ce paragraphe analyse la pertinence des entres choisies et propose un premier tri des
donnes. Les 20 entres ont t extraites daprs des considrations bibliographiques sur lin-
terprtation de limage en vue de son utilisation pour lestimation du GHI. Nous nous in-
terrogeons sur la redondance des critres slectionns ainsi que sur leur pertinence quant
lestimation du rayonnement. Pour rpondre la premire question, nous observons la matrice
dintercorrlation des entres : si deux entres sont extrmement corrles, elles apportent alors
potentiellement la mme information. Cette matrice est prsente en figure 2.18. Il apparat
alors clairement que les canaux rouge, vert et S (somme) sont trs corrls entre eux quels
que soient les critres pris en comptes (moyenne, cart type ou skewness). Cela sexplique
par limpact similaire sur les canaux rouge et vert des nuages. Daprs ces observations, il
semble raisonnable de ne garder quun seul de ces canaux pour la suite de ltude sans perdre
dinformation. Nous garderons donc de faon arbitraire le canal rouge en supprimant les en-
tres 2,4,6,8,10 et 12. Les critres de textures sont galement redondants, le contraste (Con)
est extrmement corrl la dissemblance (par construction) et anti-corrl lhomognit,
lentropie est corrle lnergie, les entres 14 et 15 et 17 sont donc supprims pour ne garder
que le contraste et lentropie. Finalement un ensemble rduit 11 entres est prsent dans le
tableau 2.10.
Chapitre 2. Estimation par utilisation dimageurs hmisphriques du ciel depuis
50 le sol

Figure 2.18 Matrice dinter-corrlation des entres

1
1
2
0.8
3
4
0.6
5
6
0.4
7
8
0.2
9
10
0
11
12
0.2
13
14
0.4
15
16
0.6
17
18
0.8
19
20
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
2.2. Estimation du GHI partir dimages au sol 51

2.2.5 Rseau de neurones artificiels

Les rseaux de neurones sont apparus en tldtection dans les annes 1990 et se sont mon-
trs trs performants par rapport aux algorithmes statistiques pour lanalyse de problmes
multi-sources [BSE90]. Leur capacit de gnralisation dans des environnements bruits en
font des techniques robustes dans les cas o les donnes dentres sont incompltes ou biaises
[FS98]. De plus, les ANN sont flexibles et peuvent combiner diffrents types de donnes [BS97].
Ces qualits font des ANN de trs bons outils pour estimer le GHI partir de caractristiques
dimages au sol. Dun point de vue pratique, un rseau de neurones est un modle mathma-
tique. Linformation est traite par un groupe inter-connect de neurones artificiels utilisant
une approche calculatoire connectionniste [Bis95]. Parmi les diffrentes topologies de rseau de
neurones, nous utilisons ici le Perceptron Multi-Couches (PMC) appartenant la famille des
rseaux en boucle ouverte (feedforward). Dans un rseau en boucle ouverte, chaque neurone est
connect lensemble des neurones de la couche prcdente (2.20), linformation se dirige dans
une seule direction vers la sortie. Chaque neurone - aussi appel nud - dispose dune fonction
dactivation non linaire f active par la somme pondre des entres (Fig. 2.19). La phase
dapprentissage dun PMC consiste optimiser les poids associs aux connexions du rseau en
minimisant lerreur en sortie [Bis95]. Cette opration est souvent effectue par des mthodes
supervises comme les approches de rtro-propagations. Nous choisissons dans le cadre de
cette thse la mthode dapprentissage dite "scaled conjugate gradient" (SCG). Cette confi-
guration du rseau de neurones est trs adapte au problme de rgression [Hsu+92], toutefois
son utilisation inadapte peut mener de mauvais rsultats notamment lis aux problmes
de sur-apprentissage. Il y a sur-apprentissage lorsque la phase dapprentissage conduit un
rseau tellement proche des donnes dapprentissage que toute capacit de gnralisation sur
dautres donnes est perdue. Par consquent, deux problmes majeures sont traiter lors de
lutilisation de PMC :
La dfinition dun critre darrt de lapprentissage
Le choix dun nombre de neurones dans le(s) couche(s) cache(s) de la topologie.
Afin dviter les problmes de sur-apprentissage, nous effectuons un apprentissage arrt
prmatur [Bis95]. La phase dapprentissage implique alors galement une base de validation
contenant des lments indpendants de la base dapprentissage. A chaque nouvelle itration,
les paramtres du rseau sont toujours ajusts pour rduire lerreur en sortie sur la base dap-
prentissage, mais en parallle, on value galement les performances du rseau ainsi paramtr
sur la base de validation. La phase dapprentissage sarrte lorsque lerreur minimale sur la
base de validation est atteinte (Fig. 2.21). En utilisant cette mthode, lerreur finale sur la
base dapprentissage peut tre plus grande mais la capacit de gnralisation du rseau est
amliore. Concernant le second problme, il est dusage de minimiser lerreur de sortie en
fonction du nombre de neurones cachs laide dune srie de tests.

2.2.6 Construction des bases dapprentissage/test

Daprs la description du processus dapprentissage utilis pour le rseau de neurones, trois

bases de donnes indpendantes sont ncessaires :
Chapitre 2. Estimation par utilisation dimageurs hmisphriques du ciel depuis
52 le sol

Couche d'entre Couche cache Couche de sortie

Entre 1
R entres Modle du neurone
Entre 2

p1 w1,1 Sortie
Entre 3
p2
n a
p3
f Entre 4

pR w1,R b Entre 5

-1 Poids optimiser
Poids optimiser

a = f(wTp - b)
Figure 2.20 Structure dun rseau de neu-
Figure 2.19 Modle dun neurone rones en boucle ouverte

Validation error

Learning error

Learning Network

No
Stop?
Data Validation Test

Yes

Test Final
Network

Results (RMSE, MAE, ...)

Figure 2.21 Apprentissage arrt prmatur

2.2. Estimation du GHI partir dimages au sol 53

1
63%

2 7%
30%
3 Base d'apprentissage
63%

4 7% Base de validation
Dataset complet
30%
Base de test

9
Classes
Figure 2.22 Processus de cration des bases de donnes pour lapprentissage des rseaux
de neurone

La base dapprentissage (App) : elle permet au rseau dapprendre ses paramtres.

La base de validation (Val) : elle permet de tester les capacits de gnralisation du
rseau pour dcider de larrt de lapprentissage.
La base de test (Test) : elle permet de tester les performances du rseau entran sur
des donnes nayant jamais t impliques ni dans lapprentissage ni dans la validation.
Afin de valider les rsultats obtenus, le modle doit tre test dans toutes les conditions
(tout type de temps). Ainsi faut-il que la base de test comprenne suffisamment dlments
diffrents. En revanche, les performances du rseau ne pourront tre optimales si la base de
test contient des lments trop loigns de ceux appris dans la base dapprentissage. Par cons-
quent, il est important que toutes les bases de donnes (App,Val,Test) soient suffisamment
reprsentatives de lensemble des situations observables. Pour remplir cette condition, on uti-
lise la classification des journes prsente au premier chapitre (section 1.4.1) en sassurant
que chaque classe soit bien reprsente dans chacune des trois bases. Par ailleurs, il est dusage
de garder une majorit de donnes pour la base dapprentissage : le nombre dlments quelle
contient dtermine non seulement le nombre de neurones maximal de la structure mais aussi la
qualit de lapprentissage dans une certaine mesure. Nous choisissons ici de manire empirique
un taux de 63% pour la base dapprentissage, 7% pour la base de validation et enfin, 30% des
donnes sont consacres la base de test pour lvaluation des rsultats. Sur le plan pratique,
dans un premier temps les trois bases pour chacune des neufs classes de journes sont cres
suivants les taux donns ci-dessus. Toutes les bases dapprentissagesont ensuites rassembles
entre elles (de mme pour les bases de validation et de test) pour crer les trois bases finales
comme indiqu sur la figure 2.22.
Chapitre 2. Estimation par utilisation dimageurs hmisphriques du ciel depuis
54 le sol
Table 2.11 Coefficient de corrlation entre chaque entre et le GHI

1 2 3 4 5 6 7 8 9 10 11
Ban SkR SkB MR Icc StdB StdR MB Ent Con Nbnu
0.82 0.76 0.73 -0.66 -0.63 0.57 0.56 -0.44 -0.17 0.12 0.12

2.2.7 Rsultats

[Link] Mthodologie

Lapprentissage et le test des rseaux de neurone a t fait grce au logiciel Stuttgart

Neural Network Simulator (SNNS) [Zel+94]. Ce logiciel se prsente sous la forme de plusieurs
fentre permettant notamment :
La cration de la structure du rseau.
Le rglage des paramtres et de la fonction dapprentissage, nous choisissons la fonction
SCG.
La visualisation graphique de la courbe de RMSE sur les bases dapprentissage et de
validation (utilise pour lapprentissage arrt prmatur).
Lenregistrement dans un fichier texte du rseau entran et/ou des rsultats sur la base
souhaite.
Le logiciel requiert toutefois des variables dentres comprises entre -1 et 1 et dlivre des
variables de sortie comprises entre 0 et 1. Les variables dentres sont normalises par lquation
2.8 o Entree correspond un vecteur contenant un certain nombre dchantillon dune des
variables dentres slectionnes et Entreenorm la version normalise et ainsi prte tre
utilise par SNNS. Concernant la sortie, lindex Kc est utilis comme indiqu dans le chapitre
1 (section 1.3.2). Cet index est naturellement compris entre 0 et 2 dans des conditions normales,
sa version normalise est donc simplement le rsultat dune division par 2.

Entreemoyenne(Entree)
Entreenorm = max(|Entreemoyenne(Entree)|) (2.8)

Lapprentissage dun rseau seffectue selon le procd suivant :

Cinq apprentissages complets (sans arrt prmatur) avec des initialisations alatoires
du rseau.
Dfinition du point darrt par la mthode darrt prmatur.
Apprentissage avec un arrt prmatur (dfini par le minimum trouv).
valuation du rseau sur la base de test et enfin enregistrement les rsultats.
En suivant ce procd, la recherche de la structure optimale devient alors le cur de la
phase exprimentale. Il sagit de dfinir linfluence du nombre dentres dune part, et du
nombre de neurones de la couche cache de lautre. Pour ce faire, on effectue de multiples
apprentissages en faisant varier ces deux paramtres. Laugmentation du nombre dentres
a t effectu arbitrairement en suivant un ordre dcroissant de corrlation avec la variable
dintrt, le GHI. Cet ordre est prsent dans le tableau 2.11. Le nombre de neurones dans la
couche cache varie lui entre 1 et 15 par pas de 5 afin de limiter le nombre de tests requis. Les
rsultats de cette exprience sont prsents dans la section suivante.
2.2. Estimation du GHI partir dimages au sol 55

[Link] Analyse des rsultats

Analyse Quantitative Les tableaux 2.12 2.14 synthtisent les rsultats des multiples
expriences ralises en rassemblant les trois critres retenus dans le chapitre 1. Les rsultats
de RMSE sont les plus aptes qualifier la qualit du rseau tant donn que la fonction
dapprentissage du rseau de neurones sappuie sur la minimisation dune fonction de cot qui
est elle-mme lerreur quadratique en sortie. Les rsultats de RMSE varient entre 83.9W/m2
et 99.6W/m2 ce qui correspond une volution en valeur relative non ngligeable de 27.1%
32.3% (en rfrence la moyenne annuelle de 306 W/m2 ). Il y a donc un rel intrt
tester les multiples combinaisons de structures pour amliorer les rsultats. Daprs lanalyse
du tableau 2.12, les moins bons rsultats sont obtenus pour un nombre dentres allant de 1
3 ce qui suppose un manque dinformation prvisible. Il est toutefois intressant dobserver
que la diminution de la RMSE ne va pas de paire avec laugmentation du nombre dentres.
En effet, le nombre dentres optimal semble tre atteint pour cinq entres. Avant ce stade,
chaque ajout semble diminuer la RMSE, prouvant ainsi sa pertinence. En revanche, aprs 5
entres, on obtient des rsultats moins bons et assez stagnant (entre 89 et 93 W/m2 ) quel que
soit le nombre dentres ou la structure choisie. Il apparat donc que les entres suprieures au
rang 5 napportent pas de relle information supplmentaire pour lestimation du GHI. Ces
rsultats sont confirms par ltude des scores de coefficient de dtermination (tableau 2.14).
La mme tendance est observe avec une amplitude moindre puisque les rsultats varient
entre 0.86 et 0.90. Le tableau de MBE doit tre tudi avec prcaution, la MBE peut tre
considr comme un score auxiliaire, il nest pas directement vis par la mthode utilise ici
qui se focalise sur la RMSE. Aussi, les rsultats sont-ils compris entre -9.83 et 9.61 W/m2
ce qui reste relativement faible ( 2%) en comparaison des scores de RMSE avoisinant les
30%. Notons toutefois que les scores obtenus pour 5 entres sont relativement faibles, ce qui
conforte lhypothse pralablement tablie. Du point de vue de la structure du rseau, les
rsultats sont relativement difficiles exploiter. Le nombre optimal de neurones ne semble
pas tre li aux nombre dentres, les rsultats semblent en effet assez indpendants les uns
des autres. On retiendra donc quune tude sur la structure du rseau est toujours ncessaire
lorsquon choisit une approche par rseau de neurones.

Analyse Qualitative Daprs le tableau de RMSE (tableau 2.12) le rseau optimal choisi
possde 5 entres et 1 neurone dans la couche cache. Nous tudions les rsultats classe par
classe pour mieux interprter les erreurs du modle. Les tableaux 2.15 2.17 prsentent len-
semble des scores pour chaque classe. La figure 2.23 donne un exemple de profil journalier
pour chaque classe. La RMSE semble voluer avec le niveau moyen de lindex Kc des journes
(classes A,B,C). Des RMSE faibles sont observes pour les journes couvertes alors que les
plus fortes sont enregistres pour les journes relativement claires. En effet, limpact dune
erreur destimation a tendance tre plus important pour les journes claires car les valeurs
de GHI y sont beaucoup plus leves. En revanche lvolution du coefficient de dtermination
est elle plus dpendantes de la variabilit de la journe. Les journes peu variables obtiennent
des scores faibles alors que de trs bonnes performances sont observes pour les journes pr-
sentant un profil trs perturb. Ces rsultats sont confirms par les courbes de la figure 2.23
Chapitre 2. Estimation par utilisation dimageurs hmisphriques du ciel depuis
56 le sol

Table 2.12 Tableau des rsultats de RMSE

hhh
hhhh Nb neurones cachs
hhh
hhhh 1 5 10 15
Nb entres hhh h
1 99.6 99.1 98.5 97.4
2 98.9 98.1 98.6 97.9
3 97.7 90.9 93.1 96.9
4 87.4 98.2 95.3 95.9
5 83.9 87.5 88.5 85.2
6 92.3 84.2 85.2 89.9
7 92.2 85.6 92.5 89.2
8 90.5 95.6 92.4 90.6
9 93.9 90.8 86.6 90.4
10 90.7 91.9 90.6 90.6
11 90 92.4 90.3 90.6

Table 2.13 Tableau des rsultats de MBE

hhh
hhhh Nb neurones cachs
hhh
hhhh 1 5 10 15
Nb entres hhh h
1 6.93 9.61 7.93 8.80
2 5.83 5.3 10.70 11
3 0.12 -0.14 2.34 -1.59
4 2.33 7.3 2.36 5.2
5 -2.54 -1.43 -1.32 3.33
6 0.94 1.82 -5.76 -8.77
7 0.97 -0.95 1.26 5.18
8 -6.46 9.15 2.74 -2.10
9 3.59 1.92 -2.11 -3.53
10 0.56 -9.83 0.23 -0.79
11 -2.69 -8.72 -0.17 -1.78
2.2. Estimation du GHI partir dimages au sol 57

Table 2.14 Tableau des rsultats de coefficient de dtermination

hhhh
hhhh Nb neurones cachs
hhhh 1 5 10 15
Nb entres hhh
hhh
1 0.86 0.86 0.86 0.86
2 0.86 0.86 0.86 0.86
3 0.86 0.88 0.88 0.86
4 0.89 0.86 0.87 0.87
5 0.90 0.89 0.89 0.90
6 0.88 0.90 0.90 0.88
7 0.88 0.89 0.88 0.89
8 0.88 0.87 0.88 0.88
9 0.87 0.88 0.89 0.88
10 0.88 0.88 0.88 0.88
11 0.88 0.88 0.88 0.88

Table 2.15 Rsultats de RMSE par classe

I : peu variable II : variable III : trs variable

A : couvert 33 85 99
B : mitig 47 87 123
C : clair 36 75 98

o la cohrence globale de lestimation est meilleure lorsque les phnomnes observs ont une
grande amplitude. Ces importantes variations sont principalement dues aux fluctuations du
rayonnement direct, en dautre terme au passage de nuages dans laxe soleil/camera. Dans
ces conditions, le ciel observ par la camra prsente des nuages blancs ou gris sur un fond
bleu. Ces conditions particulirement contrastes forment des conditions idale pour ltude
par traitement dimage. Par ailleurs, la caractristique Ban extraite de la bande noire est trs
sensible aux attnuations du rayonnement direct, permettant de meilleures performances dans
ce cas. En revanche dans le cas de journes couvertes, il ny a que peu de contraste dans
limage, il sagit globalement de faibles nuances de gris. Dans ces conditions, les caractris-
tiques extraites ne permettent plus dexpliquer les variations du GHI (mauvais coefficient de
dtermination). Pour conclure, la mthode est intrinsquement performantes pour caractriser
les fortes variations de GHI, en revanche elle donne peu de prcision sur les faibles fluctuations.

Table 2.16 Rsultats de coefficient de dtermination par classe

I : peu variable II : variable III : trs variable

A : couvert 0.50 0.62 0.79
B : mitig 0.95 0.87 0.80
C : clair 0.99 0.92 0.91
Chapitre 2. Estimation par utilisation dimageurs hmisphriques du ciel depuis
58 le sol
Table 2.17 Rsultats de MBE par classe

I : peu variable II : variable III : trs variable

A : couvert -1.3 -1 13.2
B : mitig 12.8 0.17 8.7
C : clair -22 -9 13

Figure 2.23 Profil journaliers pour chacune des classes

AI BI CI
600
1000
GHI(W/m2 )

GHI(W/m2 )

GHI(W/m2 )
200
500
800
150 400
600
300
100
400
200
50 200
100
0
3500 3600 3700 3800 3900 4000 6300 6400 6500 6600 6700 6800 6900 0 100 200 300 400 500 600 700 800

AII BII CII

1200
350 1000
GHI(W/m2 )

GHI(W/m2 )

GHI(W/m2 )
1000
300
800
250 800

200 600 600

150 400 400
100
200 200
50
0 0
550 600 650 700 750 800 850 900 4400 4500 4600 4700 4800 4900 5000 5100 1.09 1.1 1.11 1.12 1.13 1.14 1.15 1.16
4

AII BIII CIII

x 10

800 1000
GHI(W/m2 )

GHI(W/m2 )

GHI(W/m2 )
1000
800
600 800
600
400 600
400 400
200
200 200
0
0 0
5100 5200 5300 5400 5500 5600 5700 5800 3700 3800 3900 4000 4100 4200 4300 4400 100 200 300 400 500 600 700 800

Mesures
Estimations

2.3 Conclusion

Lanalyse de la bibliographie a montr lintrt de ltude des images au sol pour la carac-
trisation de la couverture nuageuse. De nombreuses tudes ont permis de mieux segmenter les
nuages et de trouver les caractristiques adaptes la classification des types de couverture.
En sappuyant sur ces lments et indications bibliographiques nous avons montr lintrt
de ces mme images pour lestimation du GHI. Lhypothse formule ici est la suivante : les
nuages ont un impact fort sur le GHI. Si nous disposons doutils pour les caractriser, alors
ces mme outils peuvent aussi servir lestimation du GHI. Cette hypothse a t ici valide
via lapprentissage dun rseau de neurones aliment par des caractristiques choisies et dis-
cutes issues de lanalyse des images hmisphriques du ciel acquises par le TSI. Les rsultats
ont permis de dfinir un set de caractristiques optimales pour lestimation du GHI parmi
lensemble des caractristiques extraites pralablement. On obtient alors une estimation trs
satisfaisante, avec des scores de 27% de RMSE relative.
 Chapitre 3

Imagerie satellitaire pour la prvision

du GHI

Sommaire
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.2 Etat de lart . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.2.1 Acquisition des images . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.2.2 Traitement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.2.3 HlioClim-3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
3.3 Prvision du GHI par modle de prvision linaire spatio-temporel . 67
3.3.1 Performances dHlioClim-3 sur le site du SIRTA . . . . . . . . . . . . . . 67
3.3.2 Les modles Autoregressifs (AR) . . . . . . . . . . . . . . . . . . . . . . . 70
3.3.3 Dfinition des modles tests . . . . . . . . . . . . . . . . . . . . . . . . . 73
3.3.4 Rsultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
3.3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
3.4 Prvision par calcul de champ de vecteur . . . . . . . . . . . . . . . . . 81
3.4.1 Mthodologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
3.4.2 Rsultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92

3.1 Introduction

Les images provenant des satellites gostationnaires dobservation sont probablement les
donnes les plus adaptes la prvision court terme (de lordre de lheure) de GHI. Elles
couvrent la totalit du globe terrestre avec des rsolutions spatiale et temporelle plus fines que
celles obtenues en sortie des modles numriques de prvision. Le dveloppement des capteurs
embarqus au cours des dernires annes a permis une plus large utilisation de ces images
notamment grce lamlioration des rsolutions spatio-temporelles et spectrales. Ce chapitre
est consacr lensemble des travaux dvelopps partir de ces images. En premire partie,
nous prsenterons une tude bibliographique des mthodes de prvision court terme partir
dimagerie satellitaire gostationnaire. La seconde partie dcrit une premire approche globale
permettant de mettre en vidence lapport de linformation spatio-temporelle par rapport
dautres modles plus simples. Enfin, la troisime partie dcrit une approche plus locale

59
60 Chapitre 3. Imagerie satellitaire pour la prvision du GHI

Table 3.1 Les satellite de Meteosat

Satellite Longitude Date de lancement Usage

Meteosat 7 (MFG) 57E 1997 / Ocan indien Couverture de
depuis 2006 locan Indien,
Imagerie temps-rel
Meteosat 8 (MSG) 3.5E 2002 Service back up pour
0E et RSS
Meteosat 9 (MSG) 9.5E 2005 Rapide scan service
depuis 2013
Meteosat 10 (MSG) 0E 2012 Image temps-rel du
capteur SEVIRI

sappuyant sur lextraction de vecteur de mouvement directement issus des images satellites
prcdant linstant de la prvision. Ces deux dernires parties ont fait lobjet de publications
dans le journal international Renewable Energy pour la premire (en cours de publication),
par la confrence IREC 1 2014 pour la seconde [Dam+14].

3.2 Etat de lart

3.2.1 Acquisition des images

Les images utilises dans ce chapitre proviennent du satellite Meteosat 10 qui est un
satellite gostationnaire appartenant la famille des Meteosat. Le projet Meteosat est dirig
par EUMETSAT (European Organization for the Exploitation of Meteorological Satellites)
et lagence spatiale europenne (ESA). Quatre satellites sont actuellement actifs et couvrent
diffrentes parties du globe (Tableau 3.1). A lheure actuelle, il existe deux gnrations de
satellites, une premire (MFG) dont le dernier reprsentant est Meteosat 7 sur lOcan Indien
et une seconde gnration (MSG) regroupant les satellites Meteosat 8 10. Les satellites de
seconde gnration, dont Meteosat 10, sont quips entre autres du capteur SEVIRI (Spinning
Enhanced Visible and InfraRed Imager) qui permet lacquisition dimages terrestres dans douze
bandes spectrales alors que le capteur de premire gnration nen autorisait que trois. Sur
les douze canaux, huit concernent linfrarouge thermique et quatre le domaine visible dont un
en haute rsolution (HRV). Ce dernier dispose dune rsolution spatiale au NADIR de 1 km
tandis que les autres canaux ont une rsolution de 3 km au NADIR. Des exemples dimages
brutes sont donns en figures 3.1 et 3.2. Sur ces images, la valeur de chaque pixel correspond
la rflctance perue par le satellite.

1. International Renewable Energy Congress

3.2. Etat de lart 61

Figure 3.1 Canal visible de Meteosat 9 Figure 3.2 Canal Infrarouge de Meteosat 9
62 Chapitre 3. Imagerie satellitaire pour la prvision du GHI

3.2.2 Traitement

La prvision de GHI partir dimages satellitaires peut se dcomposer en deux tapes

principales :
Conversion : Il sagit dinterprter les valeurs des pixels de limage satellite brute en
estimation de GHI.
Prvision : Il sagit danticiper le dplacement des masses nuageuses observes.
Ces deux tapes sont gnralement traites sparment pour la plupart des mthodes proposes
dans la bibliographie (sauf [MPC13]). Elles sont dcrites dans la suite.

[Link] Conversion

Afin de mieux comprendre ltape de conversion, rappelons le lien entre lobservation depuis
le satellite et le rayonnement peru au sol. La figure 3.3 prsente les flux interagissant dans
la comprhension du phnomne. Sur cette figure, le GHI mesur correspond la somme
g g
du rayonnement incident au sol Iin et du rayonnement rflchi par celui ci Iout tandis que le
T OA 2 . La relation liant ces variables (3.1) fait
signal peru par le satellite est li la valeur de Iout
intervenir le rayonnement incident au sommet de latmosphre Iin T OA , le rayonnement absorb
a a
Iin et le rayonnement rflchi par latmosphre et les nuages (Iout ). Si le premier (Iin T OA ) est

une variable relativement aise calculer, les suivantes justifient une partie de la bibliographie
concernant lestimation du GHI partir dimage satellite.
g g T OA I a I a
Iin + Iout = Iin in out (3.1)

Figure 3.3 Rappel sur les relations entre lobservation depuis le satellite et le rayonnement
peru au sol. Image extraite de [IPC13]. La lettre "a" dsigne latmosphre, la lettre "g"
dsigne le sol (ground).

Deux types de mthode sont alors envisages pour tablir le lien entre lobservation satel-
litaire et le GHI : les modles physiques [NRF93a] et les modles statistiques ou empiriques
2. TOA = Top Of Atmosphere
3.2. Etat de lart 63

[NRF93b]. Les modles physiques ont lavantage dtre gnraux et peuvent sappliquer direc-
tement. Ils requirent en contrepartie des mesures prcises sur la composition de latmosphre
et une calibration fine des images satellites. Au contraire, les mthodes statistiques bases sur
des rgressions ncessitent un historique de donnes mais sont moins lourdes en calcul et plus
robustes. On retiendra parmi les modles physiques ceux de Gautier-Diak-Masse [GDM80],
de Marullo-Dalu-Viola [MDV87], de Mser-Raschke model [MR84] et enfin celui de Dedieu-
Deschamps-Kerr [DDK87]. Du ct des modles statistiques, les plus connus sont ceux de
Hay-Hanson [HH78], le modle oprationnel de Perez [Per+02] et enfin la mthode Heliosat
de Cano [Can+86]. Les rfrences donnes ici correspondent aux premires publications pour
chacun des modles, il y a eu ensuite de multiples volutions dans chacun des cas. On trouvera
une prsentation plus dtaille de ces modles dans la revue propose par Inman [IPC13] dont
ce paragraphe est inspir.

[Link] Prvision

Lintrt principal de limagerie satellitaire gostationnaire pour la prvision du GHI rside

dans sa capacit dcrire de manire dense dans le temps et lespace la couverture nuageuse
sur de larges zones avec une rsolution spatiale de 3 10 km et une rsolution temporelle de
15 min. La couverture nuageuse reprsente le principal facteur de variabilit intra-journalire
du GHI pour la majorit des sites. Cest la raison pour laquelle la capacit prvoir son
mouvements conduit un potentiel de prvision trs intressant. Limage satellitaire permet
de localiser prcisment la position des principales masses nuageuses en temps rel. En effet, la
plupart des nuages ont une rflectivit suprieure celle de la terre ou de la mer, ce qui les rend
facilement identifiable dans limage. Si leur vitesse de dplacement est connue, il est possible
dobtenir une prvision du futur positionnement des nuages et donc calculer le rayonnement
au sol rsultant via une des mthode de conversion cites auparavant. Lenjeu principal de
ltape de prvision est donc dobtenir la future configuration de la couverture nuageuse. Cette
information peut tre extraite des prvisions mtorologiques de vents ou mme dobservations
mesures sur site. Toutefois, la vitesse et la direction des vents dpend fortement de laltitude.
Cette mthode requiert donc une donne supplmentaire sur laltitude des nuages. Or cette
altitude nest pas facile obtenir, le satellite nayant accs qu la couche suprieure du nuage.
Il est donc gnralement prfrable dutiliser les sries dimages elles-mme pour valuer le
mouvement des masses nuageuses. En observant lvolution de la position des nuages dans
le temps, leur vitesse est obtenue grce des algorithmes de traitement dimage classiques.
Parmi les mthodes de traitement dimage possibles, les plus couramment utilises sont : le
blockmatching, le flot optique et la technique connue sous le nom anglais "particle image
velocimetry" (PIV) que lon pourrait traduire par "vlocimtrie des images des particules".

[Link] Travaux publis et positionnement des travaux

Le tableau 3.2 rsume les choix concernant ces deux problmes dans les publications r-
centes sur le sujet :
64 Chapitre 3. Imagerie satellitaire pour la prvision du GHI

Table 3.2 Tableau rcapitulatif des travaux de la littrature

Mthode Conversion Prvision

Hammer 1999 [Ham+99] Heliosat block matching
Perez 2002 Perez operational model block matching
Marquez 2013 [MPC13] Neural network (statistical) PIV
Peng 2013 [Pen+13] Support Vector machine flot optique
(SVM)

Les mthodes dcrites dans ce tableau effectuent dabord une tape de prvision par traite-
ment dimage puis une conversion menant une prvision de GHI. Les algorithmes de conver-
sion rcents ont un temps de calcul qui permet la production de carte de GHI en temps rel
au moins sur des zones rduites. Nous nous interrogeons sur la possibilit dinverser les deux
tapes et deffectuer une prvision directement issue des cartes de GHI produites. Lintrt de
cette approche est multiple :
Saffranchir du savoir faire ncessaire la bonne conduite de ltape de conversion.
Travailler avec des donnes dentres directement lies la variable que lon souhaite
prvoir. Cela permet notamment douvrir le champs des mthodes possibles pour la
prvision.
En contrepartie, nous incluons les erreurs lies la mthode destimation dans le modle de
prvision. Cest sur cette alternative que sarticulent les travaux prsents au cours de ce
chapitre. La mthode de conversion Hliosat-2 a t choisie pour ses rsultats, mais galement
pour la disponibilit des carte de GHI rsultantes par lintermdiaire de la base de donnes
Hlioclim-3. Ce sont les cartes extraites de cette base que lon notera carte HC-3 qui seront
utilises comme uniques donnes dentres satellitaires tout au long de ce chapitre. HC-3 et la
mthode Hliosat-2 sur laquelle elle sappuie sont dcrites plus amplement dans le paragraphe
suivant.

3.2.3 HlioClim-3

[Link] Heliosat : la mthode

La mthode Heliosat permet la conversion dimages satellitaires dans le domaine de lop-

tique visible en estimations dirradiation au niveau du sol. Sa premire version t publie en
1986 par Cano et al. [Can+86]. Plusieurs corrections du modle ont alors t proposes dans
la littrature [Mou+89], [Obr90], [Zel+92], [BCH96], [Fon+97], [Ieh+97], [IP99]. Lexprience
apporte par ces publications a permis denrichir une nouvelle mthode, appele Heliosat-2
[RLW04] rpondant un besoin duniformit dans les rsultats prsents par ces tudes. La
dernire version de la mthode, Hliosat-4 a t prsente par Oumbe et al. [Oum+09] et pro-
pose une estimation distincte des rayonnement direct et diffus. En raison de la jeunesse de la
mthode Heliosat-4 en mode oprationnel, cest la mthode Hliosat-2 qui sera utilise ici et
prsente ci-dessous.
3.2. Etat de lart 65

Mthode oprationnelle : Ce paragraphe reprend les grandes lignes de la mthode

Hliosat-2, dcrite dans la publication de Rigollier et al. [RLW04]. Dans un premier temps les
valeurs brutes des pixels de limage sont converties en radiances suivant le modle propos par
Rigollier et al. [Rig+02]. Ltape la plus importante de la mthode rside alors dans le calcul
de lindice de couverture nuageuse nt (i, j) pour chaque pixel la position (i,j) dans limage,
dcrit par lquation (3.2) o :
t (i, j) est la rflectance, ou albedo apparent obtenu partir de la valeur de radiance
du pixel
tg (i, j) est lalbedo du sol, sous condition de ciel clair. Il est obtenu par une analyse
statistique sur fentre glissante (typiquement les 15 30 derniers jours). Cette analyse
statistique consiste dterminer la rflectance minimale observe dans le pass proche et
de la considrer comme tant observe par condition de ciel clair modlis par le modle
ESRA.
tcloud (i, j) est lalbedo apparent pour un nuage , obtenu partir de lalbedo des nuages
les plus clairs et contraint selon le procd dcrit par [Bau96]
S est langle solaire znithal
Lt (i, j) est la radiance observe
I0met est lirradiance totale observe par les capteurs de Mtosat dans le domaine visible.

nt (i, j) = [t (i, j) tg (i, j)]/[tcloud (i, j) tg (i, j)]

(3.2)
t (i, j) = Lt (i, j)/I0met (t) cos S (t, i, j)

Cet indice nt (i, j) est ensuite mis en relation avec lindice de ciel clair Kc (section 1.3.2)
suivant les quations 3.3. Multiplier cet indice par le modle ciel clair ESRA permet alors de
produire lestimation de GHI attendue.

nt < 0.2 Kc = 1.2

0.2 < nt < 0.8 Kc = 1 n
(3.3)
0.8 < nt < 1.1 Kc = 2.0667 3.6667nt + 1.6667(nt )2
nt > 1.1 Kc = 0.05

Les rsultats de cette mthode ont t tests sur 35 sites en Europe avec des erreurs variant
entre 18% et 45% de RMSE relative selon les mois tests pour une estimation en irradiation
horaire de GHI.

[Link] Hlioclim : les diffrentes base de donnes

Le projet Hlioclim a t lanc en 1997 par MINES ParisTech [Bla+11]. Lobjectif prin-
cipal de ce projet est de pouvoir fournir des donnes de rayonnement en surface pour une
grande zone gographique sur un intervalle temporel long afin de mener des tudes long
terme. La premire base de donnes HlioClim-1 (HC-1) propose des valeurs moyennes jour-
nalires pour les zones Europe, Afrique et Ocan Atlantique de 1985 2005. Elle a t cre
partir des images des satellites MFG dEUMETSAT traites par la mthode Hliosat origi-
nelle [Can+86]. Profitant des meilleures performances des satellites de seconde gnration et
66 Chapitre 3. Imagerie satellitaire pour la prvision du GHI

des avancements techniques de la mthode Hliosat-2, la nouvelle base de donnes HlioClim-

3 bnficie de meilleures rsolutions temporelle (15 minutes) et spatiale (3 km au NADIR)
mais aussi de meilleures performances. Elle couvre la priode 2004 aujourdhui. Les images
peuvent galement tre traites en temps rel grce la station de rception METEOSAT
acquise en 2003 par MINES ParisTech. Les cartes sont donc calcules toutes les 15 minutes
et peuvent tre moyennes pour fournir des des irradiations demi-horaires, journalire et plus
(mensuelles ou annuelles).
3.3. Prvision du GHI par modle de prvision linaire spatio-temporel 67

3.3 Prvision du GHI par modle de prvision linaire spatio-

temporel

Cette section prsente un travail original visant mettre en vidence la pertinence de

linformation spatio-temporelle apporte par les cartes HC-3 pour la prvision trs court
terme. Lutilisation des cartes HC-3 homognes la variable dintrt rend lutilisation de
modles de prvision linaire tels que les modles autoregressifs (AR) possible. Lobjectif
principal est de quantifier lapport de linformation spatio-temporelle pour des horizons de
prvision allant de 15 minutes 1 heure mais aussi dtablir un premier modle global. Ce
modle est dit "global" car il ne fait pas appel une tape de "prvision" au sens o on la
dcrite prcdemment. Il ne ncessite aucun calcul de vecteur, en revanche il sappuie sur une
tude pralable dfinissant des zones dintrt daprs une tude statistique des phnomnes
les plus courants. Nous commencerons par tudier la localisation de ces zones dintrt en
fonction de lhorizon de prvision (section [Link]). Nous prsenterons ensuite brivement le
modle AR qui sera utilis pour raliser la prvision (section 3.3.2). La partie exprimentale
permet la quantification de lapport dinformation grce la comparaison de quatre modles de
complexit croissante allant du modle de persistance (section 1.3.3) au modle de prvision
spatio-temporel (section 3.3.3). Les rsultats et discussions sont dvelopps dans la section
3.3.4.

3.3.1 Performances dHlioClim-3 sur le site du SIRTA

Avant dutiliser HC-3 pour la prvision nous nous intressons aux rsultats destimation
effectivement obtenus sur le site du SIRTA 3 . Grce aux positions golocalises du site de
mesure, une large zone de la carte HC-3 centre sur le site a t extraite pour deux annes
conscutives (2011 et 2012) dans le cadre de la thse. La srie temporelle destimation du pixel
HC-3 couvrant le site de mesure a t compare la srie de mesures au sol. Les rsultats sont
donns dans le tableau 3.3. Les performances sont cohrentes avec les performances attendues
dHC-3 cette rsolution temporelle, savoir environ 25% de RMSE relative et un biais
ngatif de 20W/m2 [Bla+11]. Les pourcentages de RMSE relative donns ici font rfrence
la valeur moyenne du GHI sur lensemble des mesures prises en compte (306W/m2 en 2011 et
291W/m2 en 2012). Ces scores tablissent le seuil le minimum des performances que lon peut
attendre en prvision partir de ces images si on ne considre pas de processus de calibration
par rapport au site. En revanche il est possible de diminuer cette erreur en calculant une
courbe de calibration partir dun historique de mesure sur site. Nous utilisons alors lanne
2011 pour la calibration et lanne 2012 pour tester les modles de prvision.

Comme indiqu au chapitre 1 (section 1.3.2), il est plus intressant de travailler avec lindex
de ciel clair Kc pour saffranchir des phnomnes climatiques connus. Aussi, la calibration a
t effectue sur lindex de ciel clair Kc. Lenjeu est de trouver une rgression permettant de
diminuer lcart entre lindex KcHc3 issu de HC-3 et lindex Kc issu de la mesure au sol. La
figure 3.4 illustre le polynme dordre 4 retenu pour effectuer une correction simple du nuage
3. (48.7130 N,2.2080 E), 156m)
68 Chapitre 3. Imagerie satellitaire pour la prvision du GHI

1.8

1.6

1.4

1.2

1
Kc

0.8

0.6

0.4

0.2

0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

KcHC3

Figure 3.4 Nuage de points entre KcHC3 et Kc, le rsultat de la rgression polynomiale
dordre 4 est reprsent par la courbe. Donnes impliquant lanne 2011 uniquement.

de point. Dautres solutions sont galement proposes dans la bibliographie [Sch+11] [VBP13].
Cette correction tablie partir de lanne 2011 permet damliorer les performances dHC-3
sur lanne 2012 comme le montre le tableau 3.3 o tous les scores sont amliors par la version
calibre.

[Link] Localisation des zones dintrts de limage

Nous cherchons dans un premier temps identifier les zones dintrt de la carte Hc-3
en fonction de lhorizon de prvision. A chaque pixel (i,j) de la carte HC-3, correspond une
srie temporelle HC3i,j (t) donnant les valeurs de GHI estimes en ce point par HC-3 sur une
priode donne. Nous calculons un coefficient de corrlation rGHI,HC3i,j ( ) entre cette srie
temporelle et la srie temporelle de mesure GHI(t) en suivant lquation 3.4. reprsente

Table 3.3 Performances dHC-3 sur le site du SIRTA, mesures faites pour un angle solaire
znithal <85

Anne Points de RMSE en MBE en W/m2 R2

mesures W/m2
(rRMSE)
2011 15128 82 (26%) -18 0.89
2012 15539 88(30%) -22 0.87
2012 (calibre) 15539 79.7 (27%) -8 0.89
3.3. Prvision du GHI par modle de prvision linaire spatio-temporel 69

5 5 0.85 5 0.25
0.92
10 10 10
0.8 0.2
15 0.9 15 15
0.15
20 20 20
0.88 0.75
25 25 25 0.1

30 0.86 30 30 0.05
0.7
35 35 35
0.84 0
40 40 0.65 40
10 20 30 40 10 20 30 40 10 20 30 40
a b c

Figure 3.5 Sensibilit de la carte de corrlation en fonction de la variable utilise ; (a) :

Corrlation sur le GHI ; (b) : Corrlation sur lindex de ciel clair Kc ; (c) : Corrlation sur le
diffrentiel de KC ;

le dcalage temporel entre les deux sries temporelles exprim en valeur entire du pas des
donnes HC-3, i.e. 15 minutes. La carte de corrlation correspond la carte des coefficients de
corrlation obtenus pour chacun des pixels. Elle permet de localiser les pixels les plus corrls
la mesure faite par le pyranomtre (GHI) en fonction du dcalage temporel. Lorsque que
lon calcule ces coefficients avec = 0, le maximum de corrlation se situe bien au centre
de la carte (Fig. 3.5.a). En effet la carte est par construction centre sur le pixel couvrant le
site dont la position a t obtenue par go-rfrencement. Le maximum de corrlation obtenu
est de 0.94 ce qui confirme les bonnes performances dHC-3 en estimation. Toutefois, une
large rgion autour du site est galement trs corrle la mesure sur cette carte. Dans le
but de fournir une meilleure localisation graphique de linformation, deux autres cartes de
corrlation on t cres. Lune est calcule partir de lindex de ciel clair Kc (Fig. 3.5.b), la
seconde partir du gradient temporel de lindice de ciel claire Kc, obtenu par diffrence finie
Kc (Fig. 3.5.c, eq.3.5). Si la valeur absolue des coefficients de corrlation diminue de faon
importante en utilisant ces variables, elles permettent nanmoins une meilleure distinction du
pixel dintrt dans la figure 3.5.c utilisant Kc . Lobservation des variations du GHI semble
plus discriminante que celle du GHI lui mme. Cest cette variable qui sera utilise par la suite
pour localiser les pixels dintrt pour la prvision. Lutilisation de carte de corrlation pour
= 0 a permis dune part de vrifier la pertinence de ce descripteur pour retrouver les pixels
dintrt, mais aussi daffiner la mthode en choisissant une variable plus sensible ltalement
spatial observ.
PN
PN t=1 (HC3i,j (t)HC3i,j )(GHI(t )GHI)

rGHI,HC3i,j ( ) = 2
PN 2
(3.4)
t=1 (HC3 i,j (t)HC3i,j ) t=1 (GHI(t )GHI)

i,j reprsente la moyenne temporelle de la srie HC3i,j (t).

o HC3

Kc = Kc(t + 1) Kc(t), t = 2...N (3.5)

Nous calculons prsent les cartes de corrlations en faisant varier de 0 4 afin de loca-
liser les zones dintrt pour des prvisions allant de 15 60 minutes. Nous utiliserons par la
suite la notation h pour indiquer lhorizon de prvision normalis par la rsolution temporelle
70 Chapitre 3. Imagerie satellitaire pour la prvision du GHI

5 5 5

10 10 10

15 15 15

20 20 20

25 25 25

30 30 30

35 35 35

40 40 40
5 10 15 20 25 30 35 40 5 10 15 20 25 30 35 40 5 10 15 20 25 30 35 40
(a) (b) (c)

SIRTA PARIS

5 5

10 10

15 15

20 20

25 25

30 30

35 35

40 40
5 10 15 20 25 30 35 40 5 10 15 20 25 30 35 40
(d) (e) (f)

Figure 3.6 Cartes de corrlations utilisant les sries temporelles de Kc : (a) Dcalage 0 ;
(b) Dcalage 1 (15 min) ; (c) Dcalage 2 (30 min) ; (d) Dcalage 3 (45 min) ; (e) Dcalage 4
(60 min) ; (f) Rgion quivalente sur google map

des cartes HC-3. Un horizon h=2 correspond une prvision 30 minutes. Les cartes ainsi
calcules sont prsentes en figure 3.6. Ces cartes permettent dobserver la position des pixels
les plus intressants pour chacun des horizons de prvision. Les pixels les plus intressants
restent trs proches du site pour des horizons faibles (15-min) et sloignent ensuite progressi-
vement lorsque le dcalage augmente. Ce phnomne traduit leffet dadvection caractrisant
le mouvement moyen des nuages arrivant sur le site. Le dcalage temporel que lon souhaite
combler en faisant de la prvision peut tre ici traduit en dcalage spatial sous hypothse de
conservation des masses nuageuses. La position des pixels dintrt ainsi dfinie sous entend
un vecteur moyen de vent sur la priode utilise pour le calcul de ces cartes (lanne 2011).
On remarque sur ces cartes une domination de la direction ouest correspondant en effet la
direction privilgie des vents sur la rgion du SIRTA. La "zone dintrt" regroupant les pixels
de forte corrlation est relativement petite et dense pour des horizons faibles, puis slargit
entre le nord ouest et le sud-ouest lorsque h augmente. Ce sont ces zones qui seront prises en
compte par la suite dans le modle de prvision linaire.

3.3.2 Les modles Autoregressifs (AR)

On se propose dutiliser un modle de rgression afin de profiter de linformation mise en

vidence par les cartes de corrlation dans un modle de prvision. Parmi les diffrents algo-
rithmes de rgression, nous avons choisi dutiliser un modle autorgressif (AR). Les modles
AR sont considrs comme des modles de rfrence pour la prvision dans la bibliographie
3.3. Prvision du GHI par modle de prvision linaire spatio-temporel 71

[Aka69]. Ils possdent en effet de multiples avantages :

Implmentation simple
Temps de calcul trs rapide
Rsultats robustes
Il existe bien entendu des algorithmes de rgression prsentant de meilleures performances
finales, mais lutilisation de modles de rfrence tels que les AR permet une meilleure mise
en valeur de la contribution de chaque entre. Par ailleurs, alors que les entres utilises
au chapitre 2 taient htrognes, lutilisation des cartes HC-3 assure un jeu de variables
dentres limit des valeurs homognes. Dans ce cadre, le modle AR semble une solution
plus approprie au but recherch : tablir un premier pas dans lutilisation des cartes HC-3
pour la prvision de GHI. Un modle autoregressif classique pour la prvision dune variable
temporelle Xt scrit sous la forme :
PM
X(t) = m=1 am X(t m) + a0 (3.6)

La principale difficult lors de la construction dun tel modle rside dans le choix de lordre
M [Aka69] du processus AR, correspondant au nombre M de dcalages du signal X prendre
en compte. Cet ordre correspond la longueur de lhistorique que lon intgre dans le calcul
de la prvision. Dans le cadre de ce chapitre, lobjectif est dtendre ce modle afin dintgrer
non seulement un historique de mesure, mais aussi des valeurs provenant de la carte HC-3.
Dans un premier temps, nous dvelopperons un modle AR simple sur les mesures au sol. Ce
modle permettra daborder les problmes de construction des modlisations ARs et servira
de rfrence dautres modles plus complexes par la suite. Nous cherchons donc construire
un modle AR appliqu aux mesures qui scrit :
PM
Kc(t) = m=1 am Kc(t m) + a0 (3.7)

Nous utiliserons le modle ciel clair ESRA pour effectuer la conversion de lindex de ciel clair
Kc en GHI. La rsolution dun modle AR est un problme classique [Vai07] et bien connu.
Elle se rsume dans les tapes suivantes :

Dans la recherche dune solution optimale pour les coefficients du modle, on cherche
minimiser, en fonction de chacun des coefficients, lerreur quadratique moyenne (EQM) :

EQM 2]
= E[(Kc(t) Kc(t))
PM (3.8)
= E[(Kc(t) m=1 am Kc(t m) + a0 ]

Pour trouver le minimum de cette fonction, on cherche le point dannulation de la drive

partielle pour chaque coefficient am : EQM
am :

EQM
am = 0
PM
E[Kc(t m)(2(Kc(t) k=1 ak Kc(t k))] = 0
PM (3.9)
2E[(Kc(t) k=1 ak Kc(t k))Kc(t m)] = 0
PM
E[Kc(t)Kc(t m)] k=1 ak E[Kc(t k)Kc(t m)] = 0

En utilisant le changement de variable suivant :

T =tk (3.10)
72 Chapitre 3. Imagerie satellitaire pour la prvision du GHI

On obtient :
PM
E[Kc(t)Kc(t m)] k=1 ak E[Kc(T )Kc(T (m k))] = 0 (3.11)

Or par dfinition, le coefficient dautocorrelation rKc (m) pour un dcalage de m peut scrire :

rKc (m) = E[Kc(t)Kc(y m)] (3.12)

ce qui conduit au systme dquation suivant :

PM
rKc (m) k=1 ak rKc (m k) = 0
(3.13)
m = 1..M

On peut reprsenter ce systme de faon matricielle sous la forme suivante :

RM a = Rm (3.14)

o RM est la matrice dautocorrlation de taille NxM avec NM, a le vecteur des coefficients
que lon cherche, et Rm le vecteur des coefficients dautocorrlation de rKc (m) de taille M 1.
Pour illustration, ce systme est crit en quation 3.15 pour un ordre M=3 :

rKc (0) rKc (1) rKc (2) a1

rKc (1)

rKc (1) rKc (0) rKc (1) a2 = rKc (2) (3.15)

rKc (2) rKc (1) rKc (0) a3 rKc (3)

Ainsi, ds lors que la matrice dautocorrlation est estime, il est possible de trouver les
coefficients am optimaux par inversion :
1
a = RM Rm (3.16)

Dans le cas pratique, les coefficients de la matrice dautocorrlation sont obtenus en suivant
lquation suivante :
XN
rKc (m) = Kc(i)Kc(i m) (3.17)
i=1

pour un signal centr et norm o N est la taille de la base de donne disponible. Puisque la
matrice dautocorrlation est ncessaire la rsolution du modle, il apparat ici clairement
que le modle AR ncessite une "base dapprentissage" pour estimer cette matrice.

[Link] Choix de lordre temporel

Lordre temporel M du modle AR est un paramtre majeur et de nombreuses approches

sont dveloppes dans la littrature pour optimiser ce choix. Toutefois, dans le contexte de
cette thse nous avons slectionn deux approches trs simples : la fonction dautocorrlation
partielle et la RMSE de la prvision rsultante. Lautocorrlation partielle dordre k PACF(k)
3.3. Prvision du GHI par modle de prvision linaire spatio-temporel 73

84

1 PACF (a)

RMSE (b)
Partial autocorrelation function (PACF)

83

RMSE (W/m2 )
82

81
0 5 10 15 20 25

Lag for the partial autocorrelation function/ order for the RMSE

Figure 3.7 (a)Autocorrlation partielle (PACF) ; (b) RMSE sur le rsultat de la prvision

correspond la corrlation entre Kc(t) et Kc(t-k) obtenue lorsque linfluence des variables
Kc(t-k+i), i<k est retire. Etant donne une srie temporel Xt , la PACF au rang k scrit :

P ACF (k) = Cor(Xt+k Pt,k (Xt+k ), Xt Pt,k (Xt )) pour k > 2 (3.18)

o Pt,k (X) dsigne la projection de X sur lespace engendr par Xt+1 ,...,Xt+k1 . La RMSE
est quant elle obtenue en appliquant le modle sur lanne 2011 pour h=1. La figure 3.7
prsente lvolution de ces deux variables en fonction de lordre choisi. Les deux critres choisis
prsentent une volution similaire. Le gain principal se situe entre lordre 1 et lordre 2 o
lon observe une chute de la RMSE. Ensuite, les deux fonctions montrent un palier pour les
ordres 2 et 3 et se stabilisent partir de lordre 6. Dans un objectif de limitation des donnes
dentres, il serait envisageable de choisir un ordre 3, toutefois, afin doptimiser les rsultats,
nous choisirons ici lordre 5 pour la suite de ltude. Lordre temporel de ltude est donc choisi
uniquement sur tude de la srie temporelle de mesure au sol, et non sur ltude des cartes
HC-3. Cest un choix justifi puisque les cartes HC-3 utilisent la mme variable (GHI) dans
une zone relativement proche du site de mesure.

3.3.3 Dfinition des modles tests

Afin de pouvoir estimer plus prcisment lapport de chaque nouvelle information, plusieurs
modles AR ont t construits. Chaque nouveau modle inclut une information supplmentaire
en entre afin den valuer limpact dans les rsultats. Les modles mis en uvre sont dcrits
ci-dessous :
74 Chapitre 3. Imagerie satellitaire pour la prvision du GHI

Le modle de persistance P est la rfrence dcrite dans le chapitre 1.

P (t + h) = Kc(t), t = 1..T
P :Kc (3.19)

Le modle At est un modle de prvision linaire simple sur la srie temporelle Kct .
Il permet dvaluer lintrt du modle de prvision linaire et donc de lhistorique de
mesure du capteur. Il scrit :
M
At (t + h) =
X
Kc (m Kc(t m)) + (3.20)
m=0

Le modle Ast est le premier modle prendre en compte linformation provenant dHC-
3. Il sagit dun modle de prvision linaire prenant en compte la fois la srie temporelle
de mesure, mais aussi les 9 pixels HC-3 environnant le site de mesure. La localisation
des pixels est donc toujours la mme quel que soit lhorizon de prvision. Ce modle
permet dtablir une rfrence pour les modles spatio-temporels. Il scrit :
M 9 X
M
Ast (t + h) =
X X
Kc (m Kc(t m)) + (p,m KcHc3 (t m, p)) + (3.21)
m=0 p=1 m=0

Enfin Ast2 prend galement en compte linformation provenant dHC-3, mais de faon
guide par les cartes de corrlation prsentes dans la section prcdente [Link]. Cela
permet dvaluer lintrt de cette mthode de slection des zones par rapport la zone
fixe du modle Ast . Ainsi le choix des pixels inclus dans la prvision dpend de lhorizon
de prvision vis. Toutefois, afin de garder un modle comparable au modle Ast , le
nombre de pixels est restreint 9. Ce choix implique quelques modifications : selon
lhorizon de prvision, il est parfois difficile de contenir les zones intressantes selon
la carte de corrlation dans 9 pixels. Aussi, les zones dintrt ont-elles t moyennes
spatialement selon lhorizon de prvision afin de couvrir de larges zones tout en ne
gardant que 9 points in fine. Les zones ainsi dfinies sont prsentes en figure 3.8. Sur
cette figure, les entres slectionnes en fonction de lhorizon de prvision sont prsentes
dans un carr rouge. La carte prsente en arrire plan est la carte de corrlation entre
les mesures au sol et la carte HC-3 dcrite en section [Link]. Le dcalage appliqu pour
la corrlation est ici directement li lhorizon de prvision h. Pour un horizon h=2 (30
min), nous choisirons les entres sur la carte de corrlation calcule pour gal 2.

3.3.4 Rsultats

Les modles prsents prcdemment ont t entrains (matrices de corrlations, dfinition

des coefficients du modle de prvision linaire) sur lanne 2011 et tests sur lanne 2012.
Les donnes provenant du pyranomtre ont t moyennes pralablement de faon atteindre
la rsolution temporelle des cartes HC-3. Les horizons de prvision tests sont compris entre
15 et 60 minutes (h [1; 4]). Chaque modle a donc t entrain 4 fois pour sadapter aux
horizons de prvision. Les rsultats obtenus sont prsents ci dessous, avec les critres de
qualits slectionnes au chapitre 1.
3.3. Prvision du GHI par modle de prvision linaire spatio-temporel 75

SIRTA 17 SIRTA 14 SIRTA

5
18
16
10 19
18
15 20
20
20 21
22
22 24
25
23 26
30
24 28
35
25 30
40
26
10 20 30 40 16 18 20 22 10 15 20 25
(a) (b) (c)

12
SIRTA 5 SIRTA
14
10
16

Selected inputs
18 15

20 20
22
25
24
26 30

28 35
30
40
5 10 15 20 10 20 30 40
(d) (e)

Figure 3.8 Localisation des entres slectionnes en fonction de lhorizon de prvision sur
les cartes de corrlation de Kc . Lhorizon de prvision h est directement lie au dcalage
appliqu aux cartes de corrlation : (a) h=0, estimation ; (b) h=15 min, filtrage moyen 2x2 ;
(c) h=30 min, filtrage moyen 3x3 ; (d) h=45 min, filtrage moyen 4x4 ; (e) h=60 min, filtrage
moyen 5x5

[Link] Analyse quantitative

Les tableaux 3.4 3.6 regroupent les critres de qualit obtenus pour chacun des modles
en fonction de lhorizon de prvision. Nous donnons galement une prsentation plus visuelle
de lvolution de la RMSE en fonction de lhorizon de prvision et du modle en figure 3.9.
Ces rsultats peuvent tre analyss en fonction de lapport de chaque nouvelle information :

Apport du modle linaire : La comparaison des rsultats du modle At ceux du modle

de persistance permet dvaluer les performances initiales du processus du prvision linaire.
Le modle donne des rsultats bien meilleurs que la persistance pour tous les horizons de
prvision (Fig. 3.9). Il est toutefois important de remarquer que lamlioration est dautant plus
importante que lhorizon de prvision est grand. Cet effet est principalement du lhypothse
de persistance : plus lhorizon de prvision est grand, moins lhypothse est vrifie. Par
consquent, les performances du modle P se dgradent rapidement avec lhorizon de prvision.
En revanche cette dgradation nest pas aussi importante avec le modle Ast qui lui sappuie
sur une hypothse de prvision linaire de la mesure en fonction de son historique.

Apport de la carte HC-3 simple : Il sagit cette fois-ci de comparer les modles At et Ast
qui ne diffrent lun de lautre que par lintgration des donnes spatio-temporelles de la carte
Hc3. Nous observons alors une amlioration des rsultats plus importante pour les horizons
76 Chapitre 3. Imagerie satellitaire pour la prvision du GHI

de prvisions faibles. Linformation spatiale ajoute est extraite des 9 pixels environnant le
site de mesure, soit une zone de plus ou moins 10 km2 . Cette zone apporte de linformation
utile pour une prvision trs court terme (jusqu 30 minutes), en revanche elle semble
trop restreinte pour apporter les mme gains de performances plus long terme. En dautres
termes, les nuages susceptibles daffecter le site des horizons plus lointain sont situs en
dehors de la zone dinfluence de la pondration linaire. Les rsultats tendent donc vers le
modle At lorsque lhorizon de prvision augmente.

Apport de la mthode de slection des entres Hc3 : Enfin la dernire information

apporte concerne la localisation des pixels dinfluence en fonction de lhorizon de prvision.
Les performances trs court terme (h=1) de Ast2 sont assez similaires celles de Ast . En effet,
cet horizon, la zone slectionne par rapport la carte de corrlation est trs semblable la
zone de rfrence prise pour le modle Ast . En revanche, lamlioration est plus significative
lorsque lhorizon de prvision augmente. Cela met en vidence limportance du choix judicieux
des entres spatiales prendre en compte dans le modle de prvision. Ce choix dpendant
de lhorizon permet de stabiliser le gain du modle spatio-temporel par rapport au modle At
pour tout les horizons tests. En effet, nous observons une amlioration quasiment constante
de 11 W/m2 entre les modles At et Ast2 .

Table 3.4 RMSE (W/m2 ) en fonction de lhorizon et du modle

XX
XXX Model
XXX P0 At Ast Ast2
Horizon XXX
X
15 min 94 86 78 75
30 min 118 100 94 87
45 min 130 107 103 94
60 min 140 111 108 99

Table 3.5 R2 en fonction de lhorizon et du modle

XXX
XXX Model
XXX P0 At Ast Ast2
Horizon XX
X
15 min 0.84 0.87 0.89 0.90
30 min 0.75 0.82 0.84 0.87
45 min 0.70 0.80 0.81 0.84
60 min 0.66 0.78 0.79 0.83

[Link] Analyse qualitative

Pour une analyse plus dtaille, nous observons les rsultats obtenus en fonction des classes
dfinies au chapitre 1. Le tableau 3.9 prsentent les rsultats de RMSE en fonction de lhorizon
de prvision et du modle utilis pour chaque classe. Si de manire gnrale on observe bien
la mme tendance que pour les scores globaux, quelques points particuliers sont toutefois
noter :
3.3. Prvision du GHI par modle de prvision linaire spatio-temporel 77

Table 3.6 MBE

XX
XXX Model
XXX P0 At Ast Ast2
Horizon XXX
X
15 min 0 -2 -2 -3
30 min 0 -3 -2 -5
45 min 1 -3 -3 -6
60 min 2 -4 -3 -5

140

Persistance
At
130
Ast
Ast2

120
RMSE (W/m2 )

110

100

90

80

70
1 2 3 4
Horizon de prevision h

Figure 3.9 Evolution de la RMSE en fonction de lhorizon de prvision pour chacun des 4
modles tests.

Les classes peu variables : Les scores de la classe I (peu variable) sont toujours meilleurs.
Cette classe compte en effet les jours les plus faciles prvoir puisquils ne prsentent que peu
de variations. A lintrieur de cette classe, les meilleurs scores sont obtenus lorsque le niveau
moyen de Kc est lev (CI), ce qui correspond aux journe dites "ciel clair". Ces journes
ne prsentent aucun phnomne perturbateur do les bonnes performances de lensemble des
modles. En revanche, si la classe A1 obtient de meilleurs rsultats que B1, cest uniquement
grce une plus faible valeur moyenne de Kc impactant intrinsquement la RMSE.

Gains en fonction de la classe : Alors que les rsultats globaux portaient croire que
les performances samliorent toujours avec la complexit du modle, ce nest pas toujours le
cas selon la classe considre. De manire gnrale, le modle de persistance est toujours plus
performant lorsquil y a peu de variations dans la journe (classe I). Lapport de la complexit
des modles se fait principalement sur les journes forte variabilit (classe III) o les limites
du modle de persistance sont atteintes. Pour un horizon de prvision de 60 minutes par
exemple, le gain est de -5 W/m2 pour la classe ciel clair (CI) entre le modle de persistance et
78 Chapitre 3. Imagerie satellitaire pour la prvision du GHI

Table 3.7 Rsultats par classes : RMSE

XX
XXX Model
XXX P At Ast Ast2
Horizon XXX
X
A B C A B C A B C A B C
I 24 29 13 33 35 17 32 26 20 32 25 18
15 min II 84 98 85 132 171 77 104 132 73 106 138 72
III 136 163 241 123 241 207 126 188 181 113 191 192
I 33 45 17 42 53 22 41 40 26 38 41 19
30 min II 108 124 100 137 177 86 114 140 82 112 142 80
III 146 193 223 130 243 179 136 197 183 115 196 166
I 39 59 20 47 64 26 47 50 29 43 57 23
45 min II 114 138 101 137 181 88 118 146 87 109 142 83
III 159 206 201 141 242 179 145 202 170 120 193 179
I 43 72 23 53 76 32 52 64 33 47 73 28
60 min II 119 147 105 137 182 90 119 152 89 111 142 86
III 166 212 204 147 237 171 146 202 170 125 188 168

le modle de Ast2 alors que ce gain est de 36 W/m2 pour la classe CIII trs variable. Or, nous
savons daprs le chapitre I que les journes variables sont majoritaires sur le site du SIRTA,
ce qui explique limpact de ces effets sur le score global.

Gain en fonction de lhorizon de prvision : Si les amliorations les plus importantes

sont bien observes pour la classe C, nous nous intressons galement au gain obtenu en
fonction de lhorizon de prvision. Il apparat que le gain le plus important est obtenu pour
un horizon de prvision de 30 minutes (57 W/m2 ) entre les modles P et Ast2 , Tableau 3.7).
Au del de cet horizon, les rsultats sont toujours meilleurs pour le modle Ast2 , mais le gain
obtenu est moins important. Cette information est trs certainement lie ltalement de
la zone dintrt sur les cartes de corrlations lorsque lhorizon de prvision augmente. Cet
talement dilue linformation utile.

La figure 3.10 prsente un profil journalier par classe pour un horizon de prvision de 30
minutes. Les courbes observes confirment les rsultats prcdemment dcrits daprs lanalyse
de tableau de RMSE. En revanche, ces courbes montrent que le gain obtenu pour les journes
trs forte variabilit sexpliquent plus par un effet de lissage des variations extrmes que par
une relle anticipation de ces fortes variations.

3.3.5 Conclusion

Cette section prsente une premire tape pour la prvision du GHI en utilisant les cartes
destimations HC-3. Lutilisation de cartes de corrlation entre les pixels de HC-3 et la me-
sure au sol a permis une fois pour toute de localiser la zone la plus propice tablir un lien
de rgression linaire avec la prvision pour un horizon de temps donn. Les zones dintrt
3.3. Prvision du GHI par modle de prvision linaire spatio-temporel 79

Table 3.8 Rsultats par classes : MBE

XXX
XXX Model
XXX P At Ast Ast2
Horizon XX X
A B C A B C A B C A B C
I 0 0 0 -3 1 3 -1 1 4 -1 1 2
15 min II 0 0 0 7 16 2 5 11 3 6 12 1
III 2 0 0 -4 39 5 -5 29 14 -6 30 13
I 0 1 0.5 -5 2 6 -3 1 6 -2 2 3
30 min II 0 0 0 5 16 4 3 10 5 3 11 3
III 3 1 0.6 -6 38 7 -7 27 19 -7 27 14
I 0 2 2 -6 2 7 -5 31 7 -4 42 4
45 min II 1 1 0 3 15 5 0 9 5 1 9 3
III 5 2 2 -7 37 9 - 25 24 -8 23 23
10
I 0 4 3 -8 3 10 -6 3 9 -4 4 6
60 min II 1 2 2 0 15 7 -1 9 7 -1 8 5
III 7 4 3 - 36 12 - 24 27 -8 22 24
10 10

Table 3.9 Rsultats par classes : Coefficient de dtermination

XX
XXX Model
XXX P At Ast Ast2
Horizon XXX
X
A B C A B C A B C A B C
I 93 99 99 88 99 99 89 99 99 89 99 99
15 min II 82 93 96 59 78 97 74 87 97 73 86 97
III 65 81 73 71 61 80 70 76 85 75 75 83
I 88 98 99 83 98 99 83 99 99 84 99 99
30 min II 72 88 95 55 77 96 69 85 96 70 85 97
III 60 73 77 68 60 85 65 73 85 75 73 87
I 83 97 99 78 97 99 77 98 99 79 97 99
45 min II 68 85 95 55 76 96 66 84 96 71 84 96
III 52 69 78 62 60 85 60 71 87 72 74 85
I 78 96 99 72 96 99 72 97 99 73 96 99
60 min II 65 83 94 54 75 96 65 82 96 69 84 96
III 47 67 80 59 61 86 59 71 87 70 75 87
80 Chapitre 3. Imagerie satellitaire pour la prvision du GHI

180
Mesures
Persistance
800
350
160
Ast2 700
GHI(W/m2 )

GHI(W/m2 )

GHI(W/m2 )
140 300

120 600
250
100 500
200
80
150 400
60
100 300
40
20 50 200

890 895 900 905 910 30 35 40 45 50 545 550 555 560 565 570 575 580
AI BI CI

1200
600 900
1000 800
500
GHI(W/m2 )

GHI(W/m2 )

GHI(W/m2 )
800 700
400
600
300 600
500
200 400
400
100
200 300
0 200
0
640 650 660 670 680 1530 1540 1550 1560 1570 1580 1065 1070 1075 1080 1085 1090 1095 1100 1105 1110
AII BII CII

1200
600
1000
1000
GHI(W/m2 )

GHI(W/m2 )

GHI(W/m2 )
500
800
800
400 600
600
300 400
400
200 200
200
100 0
0
5 10 15 20 25 30 35 40 1220 1225 1230 1235 1240 1245 1250 1255 1260 1265 0 10 20 30 40 50
AIII BIII CIII

Figure 3.10 Profil journaliers pour chacune des classes pour une prvision 30 minutes

ainsi dfinies ont ensuite t intgres dans un modle de prvision linaire combinant lhis-
torique de mesure du capteur au sol et linformation spatio-temporelle des cartes HC-3. Le
modle construit a t entrain sur lanne 2011 et test sur lanne 2012. Plusieurs modles
de complexit croissante ont ensuite t dvelopps afin de quantifier limpact de chaque ap-
port dinformation sur les rsultats de prvision pour des horizons allant de 15 minutes 60
minutes. Les rsultats obtenus confirment la pertinence du modle spatio-temporel relative-
ment lensemble des autres modles tests. Toutefois, lintrt dun tel modle est dautant
plus important que lhorizon de prvision est grand. Daprs lanalyse dtaille des critres de
qualit obtenus, les principales amliorations du modle sont observes pour les journes pr-
sentant une variabilit importante o les limites de lhypothse de persistance sont atteintes.
En revanche, daprs lobservation des profils journaliers de prvision, ces amliorations sont
plus souvent dues un effet de lissage qu une relle anticipation des variations. Cela constitue
la limite dun modle construit sur des zones dintrt moyennes. Afin dobtenir des rsultats
plus proches des variations rellement observes, nous proposons une nouvelle approche per-
mettant la dfinition de zone dintrt plus localise dans la section suivante. On utilisera
la mthode Ast2 dfinie dans cette section comme rfrence, cependant, rappelons que cette
mthode ncessite une mesure du GHI au sol en temps rel.
3.4. Prvision par calcul de champ de vecteur 81

3.4 Prvision par calcul de champ de vecteur

Il sagit dans cette section dutiliser la rsolution spatio-temporelle fine de limagerie sa-
tellitaire pour tablir un modle de prvision en fonction de la situation mtorologique en
cours. Dans le modle prcdant (Ast2), les zones dintrt choisies comme entres pour le mo-
dle de prvision linaire taient dpendantes de lhorizon de prvision, mais pas des instants
considrs. Dans cette nouvelle approche, nous tenterons destimer la direction et la vitesse
des vents en action laide dun algorithme de traitement dimages afin de redfinir pour
chaque prvision une nouvelle zone dintrt. Cette mthode se rapproche ainsi des mthodes
prsentes dans la littrature avec une tape de "prvision" plus classique. La mthodologie
employe est dcrite en section 3.4.1.

3.4.1 Mthodologie

La mthode propose ici se prsente en trois tapes cls :

Obtention dun vecteur de dplacement ;
Dfinition dune Zone dIntrt (ZI) ;
Interprtation de la ZI pour la prvision.

[Link] Le calcul du champs de vecteurs

La premire tape de cet algorithme consiste dfinir un vecteur de dplacement repr-

sentatif du mouvement des masses nuageuses de la scne observe. Plusieurs solutions sont
alors envisageables :
1. Les modles mtorologiques : ils fournissent des prvisions de champs de vecteurs en
fonction de laltitude.
2. Mesure sur site : le site du SIRTA est galement quip dinstruments de mesure de
vitesse et de direction des vent.
3. Imagerie satellitaire : il est possible dobtenir des champs de vecteurs en utilisant des
techniques de traitement dimage sur les sries temporelles dimages satellitaires.
Les deux premires options ont lavantage de fournir directement un vecteur de vent sans
tapes de calcul intermdiaires. En revanche elles requirent une information supplmentaire
sur laltitude des nuages afin de choisir la vitesse correspondante dans le profil de vent donn.
En utilisant la troisime option, nous obtenons directement un vecteur reprsentatif du mouve-
ment des masses nuageuses intressantes, puisque les nuages sont les seuls lments de contraste
dont se sert lalgorithme pour calculer le vecteur. Pour ces raisons, nous avons choisi dutiliser
la troisime mthode. Par ailleurs, en restreignant les informations ncessaires en entres aux
seules cartes Hc3, nous dveloppons une mthode facilement transposable sur dautres sites
sans installations supplmentaires.

De nombreuses mthodes de traitement dimages permettent le calcul de vecteur de dpla-

cement dobjet entre deux images conscutives. Les mthodes les plus utilises en traitement
82 Chapitre 3. Imagerie satellitaire pour la prvision du GHI

dimage satellitaires sont les trois suivantes :

Le flot optique [HS81]
Vlocimtrie par image de particule [AW10]
Le block matching [GWE09]
Nous avons retenu la mthode de block matching pour ses bons rsultats dmontrs [Ham+99]
mais aussi pour la simplicit de ses paramtres. Nous montrerons par la suite que leur choix
peut tre fait daprs des considrations physiques des phnomnes observs.

Block matching Le block matching est un algorithme de traitement dimage permettant

destimer un champ de vecteur de dplacement entre deux images conscutives. Supposons
que lon souhaite estimer le dplacement entre les images A et B (Fig.3.11). La premire tape
consiste diviser chacune des images en blocs de taille b b pixels. Il sagit alors retrouver
pour chaque block de limage A son correspondant dans limage B, do lappellation "block
matching" ou correspondance de bloc. Une fois le bloc correspondant trouv, le vecteur de
dplacement est dfini partir des coordonnes respectives de chacun des blocs. Si les blocs
dfinis ne se recouvrent jamais, le nombre de vecteurs ainsi obtenus est dpendant de la taille
des blocs. En revanche, si nous permettons un certain recouvrement lors de la dfinition
des blocs, nous pouvons obtenir jusqu un vecteur par pixel de limage. La difficult de la
mthode rside dans la recherche du bloc correspondant. Dans le cadre de cet algorithme, la
notion de correspondance est exprime par le coefficient de corrlation entre deux blocs de
pixels. Aussi, sagit-il de rechercher dans limage B le bloc ayant le maximum de corrlation
avec celui de limage A dont nous cherchons le dplacement. Afin de limiter le temps de calcul
et ne pas calculer de coefficient de corrlation pour lensemble des blocs chaque itration,
nous dfinissons un horizon de recherche hr. De ce fait, afin de trouver un correspondant au
bloc de position (i, j) dans limage A, nous neffectuerons la recherche que dans une zone
(i hr, j hr). Cet algorithme possde donc trois paramtres rgler : b, et hr permettant
dajuster le compromis qualit/temps de calcul de la mthode :
La taille des blocs b : la taille des blocs doit tre choisie en fonction de la taille moyenne
des lments stables de limage. Lutilisation dun coefficient de corrlation dans la m-
thode repose sur lhypothse de translation des objets de limage sans modification de
leur forme en prsence ventuelle de bruit de mesure blanc. Dans le cas des nuages que
lon observe sur les cartes satellitaires, cette hypothse nest pas tout fait vrifie :
avec une rsolution temporelle de 15 minutes, les dtails de bordures de nuage et mme
le relief des zones intrieures peuvent varier lgrement. En revanche la forme globale
est relativement stable. Il est donc plus avantageux dutiliser des blocs ayant une taille
suffisante pour englober des formes larges et plus stables. Par ailleurs la taille des blocs
est galement conditionne par la taille totale de limage : cause des effets de bords, la
zone exploitable de limage peut tre extrmement restreinte si b est trs grand. Daprs
ces considrations, la taille des blocs a t fixe b=20 (prs de 60km) suite une
analyse qualitative des rsultats obtenus sur une srie de tests.
Le taux de recouvrement : le taux de recouvrement permet dajuster la rsolution du
champ de vecteurs rsultant. Avec un fort taux de recouvrement la rsolution obtenue
est trs fine mais en contrepartie le temps de calcul est relativement long. Par ailleurs,
la rsolution du champ de vecteur est galement lie b, en dautre terme, si la taille
3.4. Prvision par calcul de champ de vecteur 83

du bloc est petite, la rsolution du champ de vecteur sera naturellement fine galement.
Il sagit donc de fixer une rsolution souhaite et dajuster ensuite le coefficient par
rapport b afin dobtenir le rsultat souhait. Dans le cas de lobservation de masses
nuageuses, cette question est lie la distance pour laquelle il est possible de considrer
des caractristiques homognes pour les vitesses de vent. Nous avons retenu une valeur
= 50%, quivalant lestimation dun vecteur de dplacement tous les 10 pixels.
Lhorizon de recherche hr : lhorizon de recherche permet principalement de limiter le
temps de calcul pour chaque itration. Il est fix partir du dplacement maximal at-
tendu entre 2 images. Il est donc li la rsolution spatio-temporelle de la srie dimages,
mais aussi la vlocit des phnomnes observs. Dans le cas prsent, un horizon hr de
10 pixels permet de suivre des nuages se dplaant jusqu environ 140 km/h, ce qui
couvre largement les conditions normales estimes. Cette restriction de la zone de re-
cherche permet galement dviter les rsultats aberrants.

A B

Taille des blocs b = 3 horizon de recherche rh = 2

Figure 3.11 Illustration de lalgorithme de block matching

Lapplication de cet algorithme sur les images HC-3 avec les paramtres b=20, =50%
et hr=10 conduit aux rsultats illustrs en figure 3.12 et 3.13. Nous nobtenons pas toujours
les neufs vecteurs souhaits, lorsquil existe plusieurs maxima pour la recherche dun bloc
correspondant, nous choisissons de ne pas calculer le vecteur. Cela se produit gnralement
dans les zones homognes ou lors de cas particuliers assez rares. Si les champs obtenus sont
gnralement homognes (Fig.3.12), une certaine disparit est parfois observe parmi les vec-
teur calculs proches du site (Fig.3.13). Afin de dfinir un vecteur de dplacement unique
pour la suite de ltude, nous slectionnons les 9 vecteurs les plus proches du site dtude
pour en prendre la moyenne. Cette mthode permet dobtenir des rsultats plus robustes aux
ventuelles erreurs de lalgorithme.
84 Chapitre 3. Imagerie satellitaire pour la prvision du GHI

700 720 720

10 680 10 700 10 700

660 680 680

20 20 20
640
660 660
30 620 30 30
640 640

600
40 40 620 40 620
580
600 600
50 50 50
560
580 580
60 540 60 60
560 560
520
10 20 30 40 50 60 10 20 30 40 50 60 10 20 30 40 50 60

(a) (b) (c)

Figure 3.12 Exemple 1 : application du block matching sur deux images HC-3 conscutives.
(a) Image au temps t-1 ; (b) Image au temps t ; (c) image au temps t avec le champ de vecteur
rsultant.

650
600 600
10 600 10 10
550 550
550
500 500
20 20 20
500
450 450
450
30 30 400 30 400
400
350 350
40 350 40 40
300 300
300
50 50 250 50 250
250

200 200 200

60 60 60
150 150 150

10 20 30 40 50 60 10 20 30 40 50 60 10 20 30 40 50 60

(a) (b) (c)

Figure 3.13 Exemple 2 : application du block matching sur deux images HC-3 conscutives.
(a) Image au temps t-1 ; (b) Image au temps t ; (c) image au temps t avec le champ de vecteur
rsultant.
3.4. Prvision par calcul de champ de vecteur 85

[Link] Zone dintrt

En supposant des conditions idales, savoir :

Estimation parfaite du mouvement
Persistance du champ de vent jusqu lhorizon de prvision vis
alors la prvision consisterait simplement prendre le pixel Pi se trouvant en amont du site en
suivant le vecteur de mouvement (Fig.3.14). Cependant, ces hypothses ne sont pas vrifies.
Lalgorithme de block matching ne permet pas toujours de retrouver une estimation correcte
du mouvement observ. Lestimation du mouvement est notamment difficile lorsquil y a peu
dobjets stables dans limage : lorsquil ny a pas de masses nuageuses importantes par exemple.
Par ailleurs, mme si le vecteur calcul est rellement reprsentatif de mouvement observ au
temps t, il peut y avoir une volution de ce vecteur entre les temps t et t+h, o h reprsente
lhorizon de prvision. Afin dintgrer ces incertitudes dans la mthode, nous dfinissons une
zone dintrt (ZI) autour du pixel Pi (Fig.3.14). La taille de la zone dintrt est tablie

Zone d'intrt
300

Pi 10 280

260

Ps 20

240

30 220

200

40

180

V 50
160

140

60

120

100
10 20 30 40 50 60

Figure 3.15 Exemple dapplication en cas

rel

Figure 3.14 La zone dintrt est dfinie

partir du pixel idal Pi, en amont du site Ps
par rapport au vecteur calcul V

partir de lquation :
tZI = 1 + 2 h (3.22)

Elle est dpendante de lhorizon de prvision. En effet, plus lhorizon de prvision est grand,
moins lhypothse de persistance du vecteur calcul est probable. Il est galement envisageable
de faire varier la taille de la zone dintrt en fonction dun indice de confiance sur le vecteur
calcul. Un tel indice est toutefois relativement difficile obtenir, nous ne retenons pas cette
option dans un premier temps. La taille tZI ainsi dfinie prend bien un seul pixel Hc3 en
condition destimation (h=0), mais peut considrer une zone de 99 pixels pour une prvision
60 min (h=4).
86 Chapitre 3. Imagerie satellitaire pour la prvision du GHI

Table 3.10 Choix des paramtres de lalgorithme

Paramtre Valeur
Block matching
Taille bloc tb = 20 pixels
Horizon de recherche hr = 10 pixels
Taux de recouvrement = 50%
Zone dintrt
Taille de la zone tZI = 1 + 2 h

[Link] Interprtation de la zone dintrt

La zone dintrt extraite contient linformation utile la prvision. En revanche nous

disposons potentiellement dautant de prvisions diffrentes quil y a de pixels dans la ZI.
Il sagit alors de choisir une mthode pour dterminer une prvision unique partir de cet
ensemble de valeurs. Plusieurs solutions simples sont alors envisageables :
Pid : Ne considrer que le pixel central en supposant des conditions idales de prvision
Pmoy : Utiliser la moyenne de lensemble des valeurs de la ZI.
Pmed : Utiliser la mdiane de lensemble des valeurs de la ZI.
Ces trois solutions permettent de donner une prvision nominale du GHI pour un horizon de
prvision donn. La zone dintrt peut tre de plus exploite afin de dterminer une prvision
de type probabiliste complmentaire la prvision dterministe, partir de lhistogramme des
valeurs de Kc sur la ZI. En particulier, la valeur minimale Pmin et maximale Pmax de cette
zone peuvent tre interprtes comme un encadrement de la prvision donne. Nous disposons
alors non seulement dune prvision mais galement dinformations quantitatives lies la
prcision attendue de la prvision. Plus lcart entre ces bornes extrmes est grand, plus le
risque derreur est important. Physiquement un tel cart reflte une zone forte variabilit
laissant prsager une prvision au point Ps plus difficile.

3.4.2 Rsultats

Afin de garder des rsultats comparables ceux des modles de prvision linaire prsents
dans la section prcdente, les modles Pid , Pmoy et Pmed ont galement t tests sur lanne
2012. Cela permet par ailleurs de bnficier de la correction faite en section 3.3.1 sur lanne
2011. Les paramtres choisis pour ces rsultats sont rappels dans le tableau 3.10

[Link] Analyse quantitative

Les trois modles dfinis en section [Link] ont t tests pour des horizons de prvision
allant de 15 minutes 45 minutes. La carte HC-3 dont nous disposons pour ltude a une taille
de 69 69 pixels ce qui limite les horizons possibles pour cette mthode : les vecteurs calculs
pointent des rgions non couvertes lorsque lhorizon de prvision et la vitesse des vents sont
3.4. Prvision par calcul de champ de vecteur 87

importants. Les rsultats globaux sur lanne 2012 sont exposs dans les tableaux 3.11 3.13.
Les performances du modle Ast2 de la section prcdente ont t ajouts pour faciliter la
comparaison.

Interprtation de la ZI : Il ny a que trs peu de diffrence entre les modles Pid , Pmoy
et Pmed . Quelle que soit la mtrique considre, les rsultats tendent se dissocier lorsque
lhorizon de prvision augmente. Pour des horizons de prvision faibles (h petit), la manire
dinterprter la ZI na pas de rel impact sur le score de prvision. Dans ces conditions, la
taille de la ZI tZI est trs faible (3 3 pour h=1) ce qui explique en partie les scores observs.
En revanche pour un horizon de prvision de 45 minutes, la ZI reprsente 7 7 pixels, ce qui
semble suffisant pour engendrer une dissociation notable entre les trois modles. Le modle
Pmoy est alors le plus robuste des trois, confirmant lintrt de la prise en compte dune zone
dintrt par rapport au modle idal. Pour les raisons cites ci-dessus, nous choisissons les
rsultats du modle Pmoy pour la suite de lanalyse des rsultats.

Comparaison avec le modle Ast2 : De faon gnrale la mthode dveloppe dans cette
section aboutit des rsultats moins performants que ceux du modle Ast2 . La comparaison
des rsultats de RMSE doit se faire nanmoins en rapport avec la MBE observe (cf chap1).
Contrairement au modle Ast2 , le modle Pmoy ne prend pas en compte les mesures passes du
pyranomtre, il ne sappuie que sur les estimations dHC-3. Or ces estimations, mme corriges
(section 3.3.1), prsentent un biais ngatif que lon retrouve ici. Les meilleures performances du
modle Ast2 sont principalement dues cette diffrence majeure. Dailleurs, lorsque lhorizon
de prvision augmente et que linfluence de la persistance diminue, les rsultats deviennent
comparables entre les deux modles toutes mtriques confondues.

Table 3.11 RMSE en fonction de lhorizon et du modle

XX
XXX Modle
XXX Pid Pmoy Pmed Ast2
Horizon XXX
X
15 min 86 86 86 75
30 min 93 92 92 87
45 min 100 97 98 94

Table 3.12 MBE en fonction de lhorizon et du modle

XXX
XXX Modle
XXX Pid Pmoy Pmed Ast2
Horizon XX X
15 min -10 -9 -10 -3
30 min -9 -8 -8 -5
45 min -7 -6 -6 -6
88 Chapitre 3. Imagerie satellitaire pour la prvision du GHI

Table 3.13 R2 en fonction de lhorizon et du modle

XX
XXX Modle
XXX Pid Pmoy Pmed Ast2
Horizon XXX
X
15 min 0.87 0.87 0.87 0.90
30 min 0.84 0.85 0.85 0.87
45 min 0.82 0.83 0.82 0.84

[Link] Analyse qualitative

Les rsultats par classes de la mthode Pmoy sont donns dans les tableaux 3.14 3.16. Ces
rsultats font apparatre de nouveau les tendances relatives prcdemment observes en section
[Link]. Cependant les erreurs lies au biais dHc3 et labsence de prise en compte de la per-
sistance ont de lourdes consquences sur les scores prsents. Les qualits du modle prsent
ici ne sont donc pas directement visibles travers les mtriques classiques utilises jusqu
prsent. Observons alors les profils journaliers des diffrents modles de prvision dabord
pour chacune des classes (Fig.3.16) puis pour une journe choisie pour sa forte variabilit
(Fig.3.17). Ces figures prsentent la fois les courbes issues de la mthode dveloppe dans
cette section mais galement la prvision du modle Ast2 pour comparaison. Pour faciliter les
commentaires, nous nous appuierons sur les courbes de la figure 3.17 pour plus de visibilit.
Deux faits importants sont remarquables :

Indication de bornes extrmes : Les bornes Pmin et Pmax dtermines en mme temps
que la prvision Pmoy apportent une information supplmentaire la prvision que ne peut
fournir le modle Ast2 . Ces indications permettent de mieux comprendre les erreurs de prvi-
sion faites. Si la mesure est comprise entre ces bornes, alors la ZI contient bien linformation
ncessaire la prvision. Dans le cas contraire, soit la ZI a t mal positionne (mauvais calcul
de vecteur) soit elle ne permet pas de dcrire les phnomnes luvre (limite de rsolution
spatiale du satellite). Dans un cadre applicatif, il peut tre trs intressant de fournir une
borne minimale la prvision.

Absence de "leffet de persistance" : Le modle Pmoy semble plus "en phase" avec
les mesures que le modle Ast2 . Les variations brutales du GHI sont toutes anticipes par
Pmoy ou au moins par ses bornes ce qui confirme la prsence de linformation "de prvision"
dans la ZI. Afin dillustrer de manire plus rigoureuse ce phnomne, observons la fonction
dintercorrlation entre la prvision et la mesure effective avec diffrents dcalage temporels
(Fig 3.18). Sur cette figure, les fonctions dintercorrlation ont t traces pour les modles de
persistance, Pmoy et Ast2 . Le modle de persistance permet davoir une rfrence, il prsente
un maximum pour un dcalage de -2 cohrent avec lhorizon de prvision h=2. Le score
obtenu en 0 correspond au coefficient de corrlation entre la mesure et la prvision lhorizon
de prvision considr. Si les scores des modles Ast2 et Pmoy sont trs similaires en 0, il est
important de noter le dcalage pour lequel le maximum est atteint. Le modle Pmoy atteint son
maximum en 0, il est bien "en phase" avec la mesure que lon cherche prvoir. En revanche
3.4. Prvision par calcul de champ de vecteur 89

Table 3.14 Rsultats en RMSE dtaills par classes

XX
XXX Modle
XXX Pmoy
Horizon XXX
X ```
```Kc moyen
```
A B C
Variabilit ```
```
I 50 41 50
15 min II 80 96 82
III 86 122 NaN
I 52 50 51
30 min II 87 103 86
III 96 131 NaN
I 51 62 55
45 min II 93 109 90
III 110 138 NaN

Table 3.15 Rsultats en MBE dtaills par classes

XXX
XXX Modle
XXX Pmoy
Horizon XX X ```
```Kc moyen
```
A B C
Variabilit ```
```
I -15 11 24
15 min II -28 -15 12
III -35 -22 NaN
I -15 17 26
30 min II -29 -12 13
III -33 -20 NaN
I -14 24 30
45 min II -29 -9 17
III -40 -18 NaN

le modle Ast2 atteint lui son maximum en -2, il prsente un certain "effet de persistance".
Cet effet permet damliorer grandement les performances du modle comme nous lavons vu
prcdemment mais cre aussi un effet de retard prjudiciable, notamment lorsque lhorizon de
prvision augmente. Ainsi, alors que les scores taient similaires pour un horizon de prvision
de 30 minutes, le modle Pmoy obtient une meilleure corrlation en 0 pour un horizon de
prvision de 45 minutes (Fig. 3.19). Dans ce cas, leffet de persistance du modle Ast2 est
toujours prsent mais moins marqu, le maximum est atteint en 0 mais reste plus faible que
celui obtenu avec Pmoy . Ainsi au del de 30 minutes, les effets positifs de la persistance ne
sont plus prdominants sur les performances des modles de prvision.
90 Chapitre 3. Imagerie satellitaire pour la prvision du GHI

Table 3.16 Rsultats par classes : Coefficient de dtermination

XX
XXX Modle
XXX Pmoy
Horizon XXX
X ```
```Kc moyen
```
A B C
Variabilit ```
```
I 0.21 0.97 0.94
15 min II 0.64 0.80 0.84
III 0.74 0.71 NaN
I 0.16 0.96 0.94
30 min II 0.57 0.77 0.82
III 0.66 0.66 NaN
I 0.17 0.95 0.94
45 min II 0.50 0.74 0.80
III 0.56 0.63 NaN

450 900 900

400 800 800
GHI(W/m2 )

GHI(W/m2 )

GHI(W/m2 )

350 700
700
300 600
600
250 500
500
200 400
150 300 Pmoy 400

100 200
Pmin 300
Pmax
50 100 Ast2 200

460 465 470 475 480 485 490 495 500 90 95 100 105 110 115 120 125 130 970 975 980 985 990 995 1000 1005 1010 1015
AI BI CI

1000 900
700
800
800
GHI(W/m2 )

GHI(W/m2 )

GHI(W/m2 )

600
700
500
600
600
400 500
300 400 400

200 300
200
100 200

100
690 695 700 705 710 715 720 725 730 735 1405 1410 1415 1420 1425 1430 1435 1440 1445 1450 1070 1075 1080 1085 1090 1095 1100 1105 1110
AII BII CII

800
600
GHI(W/m2 )

500 600

400
400
300
200
200

100 0

0
5 10 15 20 25 30 35 40 500 510 520 530 540 550 560
AIII

Figure 3.16 Profils journaliers pour chacune des classes pour une prvision 30 minutes
3.4. Prvision par calcul de champ de vecteur 91

1000

Mesures
Pmoy
Pmin
900
Pmax
Ast2

800

700
GHI(W/m2 )

600

500

400

300

200

100

4495 4500 4505 4510 4515 4520 4525 4530 4535 4540

Temps

Figure 3.17 Zoom sur un profil journalier pour une prvision 30 minutes. Le modle
prsent donne non seulement une prvision mais galement un "encadrement estim" de la
prvision.

0.95

0.9
Persistance
Ast2
Pmoy
0.85

0.8
Coefficient de correlation

0.75

0.7

0.65

0.6

0.55

0.5

0.45
10 8 6 4 2 0 2 4 6 8 10

Decalage temporel entre la prevision et la mesure (1=15min)

Figure 3.18 Fonction dintercorrlation entre la prvision et la mesure pour trois modles
diffrents. Les prvisions sont effectues pour un horizon de prvision de 30 minutes (h=2).
92 Chapitre 3. Imagerie satellitaire pour la prvision du GHI

0.95

Persistance
0.9
Ast2
Pmoy
0.85

0.8
Coefficient de correlation

0.75

0.7

0.65

0.6

0.55

0.5

0.45
10 8 6 4 2 0 2 4 6 8 10

Decalage temporel entre la prevision et la mesure (1=15min)

Figure 3.19 Fonction dintercorrlation entre la prvision et la mesure pour trois modles
diffrents. Les prvisions sont effectues pour un horizon de prvision de 45 minutes (h=3).

3.5 Conclusion

Les rsultats obtenus au cours de ce chapitre confirment de manire gnrale lintrt de

lutilisation des images satellitaires dans un objectif de prvision trs court terme. La figure
3.20 montre lvolution de la RMSE pour les principaux modles dvelopps dans ce chapitre.
Cette figure illustre les enjeux de la prvision par imagerie satellitaire. En effet, comme nous
lavons dcrit prcdemment, deux problmatiques doivent tre traites, dune part linterpr-
tation de limage satellitaire en GHI (conversion), et de lautre, lanticipation du mouvement
des masses nuageuse (prvision). Limpact de chacun de ces problmes sur les performances
de lalgorithme dpend de lhorizon de prvision. Pour des horizons de prvision faibles (15
minutes par exemple), lerreur danticipation est ngligeable devant lerreur de conversion de
limage satellite : le modle Ast qui na quune faible prise en compte du mouvement des
nuages a de meilleures performances que le modle Pmoy . La prise en compte de lhistorique
de mesure et le processus dapprentissage lui confrent une meilleure capacit faire le lien
entre limage et la mesure au sol contrairement Pmoy . Au contraire, lorsque lhorizon de pr-
vision augmente (au del de 30 minutes), les modles incluant une tape danticipation sont
meilleurs : lerreur dinterprtation devient faible devant lerreur danticipation. Le modle
Ast2, qui bnficie la fois de la force de lapprentissage mais aussi dune certaine prise en
compte moyenne du mouvement principal des masses nuageuse donne les meilleures perfor-
mances globales pour des horizons de prvisions allant jusqu 45 minutes. Pour des horizons
plus grands, le modle Pmoy , plus performant en terme danticipation, semble tre le plus
appropri daprs la tendance des courbes de la figure 3.20. Les rsultats nont pu tre cal-
culs au cours de la thse pour de tels horizons de prvision pour des raisons de taille de la
zone HC-3 extraite. Daprs ces rsultats, plusieurs pistes sont envisageables pour la suite.
3.5. Conclusion 93

130

Persistance
At
120 Ast
Ast2
Pmoy

110

100

90

80

70
1 1.2 1.4 1.6 1.8 2 2.2 2.4 2.6 2.8 3

Figure 3.20 Evolution de la RMSE en fonction de lhorizon de prvision pour diffrents

modles.

Les deux modles de rfrences Ast2 et Pmoy sont complmentaires. Le premier bnficie de
la robustesse de lapprentissage et de leffet de persistance, le second apporte des informations
trs riches et plus en phase avec les variations relles de la mesure grce une meilleure prise
en compte du mouvement observ. Deux pistes sont donc envisageables :
Intgrer des informations provenant du sol dans la mthode Pmoy pour amliorer ses
performances trs court terme
Intgrer la prise en compte dun champ de vecteur dans la mthode utilisant les modles
AR.
La premire solution est dveloppe dans le chapitre 4 de cette thse, la seconde reste au stade
de perspective dans le cadre de ces travaux.
 Chapitre 4

Fusion dinformation pour la prvision

du GHI

Sommaire
4.1 Mthodologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
4.2 Rsultats exprimentaux . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
4.2.1 Procd exprimental . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
4.2.2 Analyse quantitative . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
4.2.3 Analyse qualitative . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
4.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102

La mthode Pmoy dveloppe dans le chapitre prcdent prsente des caractristiques de

prvision trs intressantes notamment en ce qui concerne la prvision de la variabilit du
GHI. En revanche lanalyse de rsultats a montr certaines faiblesses notamment sur ltape
de conversion. Dans ce chapitre, lenjeu principal sera de combler cette lacune en intgrant
des informations provenant des capteurs au sol. En effet nous savons depuis le chapitre 3
que lintgration de lhistorique de mesure du pyranomtre permet damliorer cette tape et
amliore les performances trs court terme. Nous cherchons donc vrifier cette hypothse,
mais galement valuer le potentiel de limagerie hmisphrique pour cette application. La
mthode destimation dveloppe dans le chapitre 2 a permis de slectionner cinq caractris-
tiques dimage du TSI permettant de dcrire le GHI estim. Au mme titre que la mesure
du pyranomtre, ces caractristiques peuvent potentiellement amliorer les performances de
prvision grce leur description plus fine de la couverture nuageuse prsente sur le site. Les
mthodes dveloppes dans ce chapitre sinscrivent ainsi dans une volont de fusion de donnes
entre :
des mesures pyranomtriques prcises mais ponctuelles ;
des images hmisphriques du ciel permettant une apprhension spatiale localise trs
rsolue spatialement et temporellement, en lien avec la variabilit du GHI induit par les
nuages ;
des images satellites offrant une observation du GHI dense et plus tendue , des chelles
spatiales plus larges.
La mthodologie applique est dcrite en section 4.1. Elle sappuie principalement sur luti-
lisation de rseaux de neurones artificiels prsents prcdemment au chapitre 2. Le procd
exprimental ainsi que les rsultats sont prsents en section 4.2.

95
96 Chapitre 4. Fusion dinformation pour la prvision du GHI

26

28

30

32

34

36

38

40

(b)
42

44

26 28 30 32 34 36 38 40 42 44

(a)

Figure 4.1 Selection des entres pour le modle PT SI90 : (a) ZI dfinie sur limage HC-3
daprs le vecteur vitesse ; (b) Cne de limage au sol slectionn partir du vecteur

4.1 Mthodologie

Nous souhaitons ainsi fusionner des informations provenant de la mthode Pmoy et des
caractristiques de limage provenant du TSI au mme instant afin de produire une prvision
amliore de GHI. Comme indiqu au chapitre 2 (section 2.2.5), les rseaux de neurones
artificiels sont des outils bien adapts aux problmes de rgression non linaires de ce type.
Parmi les caractristiques slectionnes au chapitre 2, nous ne conservons pas linformation
"Ban" (tableau 4.1) pour la prvision. Cette information est extrmement lie la prsence
de rayonnement direct, elle est donc importante pour lestimation, mais induit un effet de
persistance trs important en prvision. Par ailleurs, nous disposons galement grce aux
travaux du chapitre 3 dinformations sur la direction des vents. Il est donc possible didentifier
dans limage au sol des informations plus cibles en fonction de la direction des vents observe.
Cette zone est dfinie en isolant un cone de 90 centr sur la direction oppose au vecteur de
dplacement calcul dans le chapitre prcdent par block matching sur les images satellite.
La figure 4.1 illustre ce procd. Cependant, en utilisant cette technique, la position du soleil
dans limage nest pas prise en compte. En choisissant la position de la zone uniquement en
fonction du vecteur vitesse, nous supposons que le soleil est toujours au centre de limage, ce
qui est naturellement faux. Nous dfinissons alors une nouvelle zone dintrt dpendante
la fois de la vitesse calcule des vents, mais aussi de langle azimutal du soleil. De cette faon
la zone cible contient les nuages susceptibles de passer entre le soleil et le capteur dans les
instants futurs. Le procd utilis est dcrit en figure 4.2, toutefois, la zone ainsi obtenue est
de taille variable contrairement aux zones dcrites prcdemment.
4.2. Rsultats exprimentaux 97

10

20

30

40

50

(b)
60

10 20 30 40 50 60

(a)

Figure 4.2 Selection des entres pour le modle PT SIcone : (a) ZI dfinie sur limage HC-3
daprs le vecteur vitesse ; (b) Cone de limage au sol slectionn en fonction du vecteur vitesse
(bleu) et de langle azimutal solaire (rouge).

Nous disposons ainsi de plusieurs degrs de complexit qui justifient la construction paral-
lle des modles suivants :
Pmoy est le modle satellite de rfrence dvelopp dans le chapitre prcdent.
Ppyr est un rseau deux entres fusionnant la prvision Pmoy (t + h) et la mesure du
pyranomtre GHI(t).
PT SI est un rseau cinq entres fusionnant la prvision Pmoy (t + h) et les quatre
caractristiques extraites de limage hmisphrique du TSI retenues au chapitre 2 prises
au temps t. Elles sont rappeles dans le tableau 4.1.
PT SI90 est un rseau cinq entres fusionnant la prvision Pmoy (t + h) et les quatre
caractristiques extraites uniquement dans un cone de 90 du TSI dfini par le vecteur
de dplacement des nuages (Fig.4.1).
PT SIcone est un rseau cinq entres fusionnant la prvision Pmoy (t + h) et les quatre
caractristiques extraites uniquement dans le cone du TSI dfini par le vecteur de d-
placement des nuages et langle azimutal solaire (Fig.4.2).

4.2 Rsultats exprimentaux

4.2.1 Procd exprimental

La construction des bases dapprentissage, de validation et de test est exactement la mme

que celle effectue au cours du chapitre 2 et dcrite dans la section 2.2.6. Les images du
98 Chapitre 4. Fusion dinformation pour la prvision du GHI

Table 4.1 Caractristiques du TSI retenues au chapitre 2 .

Nom Description
Ban Moyenne du canal rouge dans la zone circumsolaire sur la bande noire de protection
du TSI.
SkR Skewness du canal rouge.
SkB Skewness du canal bleu.
MR Moyenne du canal rouge.
Icc Indice de couverture nuageuse.

Pmoy

SkR

Pmoy

SkB
Prvision Prvision

GHI
MR

Figure 4.3 Structure du modle Ppyr Icc

Figure 4.4 Structure des modles PT SI ,

PT SI90 et PT SIcone

TSI ne sont disponibles dans le cadre de la thse que pour lanne 2011. La mthode Pmoy
applique dans le chapitre prcdent sur lanne 2012 et bnficiant de la calibration dHC-3
effectue sur lanne 2012 est ici applique lanne 2011 avec une calibration faite sur lanne
2012 par le mme procd (rgression polynomiale dordre 4). Cette mthode sert de rfrence
lexprience mene dans ce chapitre sur lintroduction des donnes acquises sur site. La
structure du rseau de neurones pour chacun des modles Ppyr , PT SI , PT SI90 et PT SIcone a t
optimise via une approche exprimentale telle que celle dveloppe dans le chapitre 2. Les
structures retenues sont reprsentes sur les figures 4.3 et 4.4.

4.2.2 Analyse quantitative

Les rsultats prsents dans les tableaux 4.2 4.4 ont t calculs sur la base de test
dfinie au chapitre 2. Cette base a t construite de faon tre reprsentative de lensemble
des situations observes sur lanne 2011 via la classification effectue au chapitre 1 (section
1.4.1). En premire observation, lintgration dinformation in-situ via cette mthode nap-
porte que des effets positifs. Les performances initiales de la mthode satellitaire Pmoy sont
toutes amliores quel que soit lhorizon temporel ou le critre de qualit concern (except
pour la mthode PT SIcone qui sera commente plus tard). Ces amliorations semblent tre
principalement dues la rduction du biais tant donns lamlioration des biais obtenus. Les
4.2. Rsultats exprimentaux 99

coefficients de dtermination sont relativement insensibles aux diffrences introduites dans les
modles.

Intrt de limage au sol : la comparaison directe des modles Ppyr et PT SI permet

dvaluer lintrt de lutilisation dun imageur hmisphrique par rapport un pyranomtre
classique pour la prvision. Deux phnomnes sont remarquables dans ces rsultats :
La rduction de MBE observe de faon gnrale lors de lintgration de donnes in-situ
est beaucoup plus importante pour le modle PT SI qui annule quasiment le biais du
modle satellitaire.
Le gain en RMSE est dpendant de lhorizon de prvision pour le modle Ppyr , il est plus
important pour une prvision 15 minutes que pour des horizons plus grand. Le gain
du modle PT SI semble lui plus stable par rapport lhorizon de prvision : il oscille
autour de 5% de la RMSE du modle Pmoy .
Ces deux informations combines laissent penser que si le premier modle bnficie principale-
ment de leffet positif de la persistance, le second permet, quant lui, une relle amlioration
des capacits de conversion du modle de prvision.

Apport de la slection de zone : Daprs lensemble des rsultats obtenus, la slection

de zone plus prcises de limage au sol semble dgrader les performances globales de lalgo-
rithme. Lanalyse quantitative donne peu dinformations sur les raisons de cette dgradation.
Cependant, de meilleurs rsultats sont observs pour la mthode PT SI90 par rapport la m-
thode PT SIcone ce qui pourrait indiquer que la dfinition dune zone plus stable (taille fixe)
est primordiale pour le succs du rseau de neurones.

Table 4.2 RMSE en .W m2 en fonction du modle et de lhorizon de prvision h

XXX
XXX h (min)
XXX 15 30 45
Modle XX X
Pmoy 87 94 102
Ppyr 83 92 99
PT SI 82 90 97
PT SI90 87 94 101
PT SIcone 89 96 104

Table 4.3 MBE en W m2 en fonction du modle et de lhorizon de prvision

XX
XXX h (min)
XX 15 30 45
Modle XXX
XX
Pmoy -13 -12 -12
Ppyr -9 -10 -11
PT SI -1 -1 -4
PT SI90 -2 -3 -4
PT SIcone 1.2 -6 -6
100 Chapitre 4. Fusion dinformation pour la prvision du GHI

Table 4.4 Coefficient de dtermination R2 en fonction du modle et de lhorizon de prvision

h
XXX
XXX h (min)
XXX 15 30 45
Modle XX X
Pmoy 0.87 0.84 0.81
Ppyr 0.88 0.85 0.82
PT SI 0.88 0.85 0.83
PT SI90 0.86 0.84 0.82
PT SIcone 0.86 0.83 0.80

4.2.3 Analyse qualitative

Nous avons vu dans le chapitre 3 que lapport de mesures du pyranomtre impliquait

un "effet de persistance". Observons alors les fonctions dintercorrlation entre la mesure et
les diffrents modles afin dobserver la prsence de cet effet dans la prvision. Ces courbes
sont donnes dans les figures 4.5 4.7. Il existe bien un effet de persistance pour le modle
Ppyr dont le maximum de corrlation est atteint pour un retard correspondant lhorizon
de prvision. En revanche, les autres modles, faisant intervenir les statistiques de limage du
TSI, ne prsentent pas cet effet. Pour un horizon de prvision de 15 minutes (Fig. 4.5), ces
modles sont bien en phase avec la mesure et avec le modle satellitaire original quand le
modle Ppyr prsente un important dphasage. Pour les horizons de 30 et 45 minutes, nous
observons ensuite un "tassement" du maximum entre les retards 0 et -1 qui traduit le manque
de porte de limage au sol pour atteindre ces horizons. De faon plus globale, le coefficient
de corrlation en 0 est toujours plus important pour les modles incluant des donnes in-situ
mettant en vidence un effet de persistance non dsir.

Ces rsultats sont galement visibles sur les profils journaliers de prvision. La figure
4.8 expose un exemple de profil o leffet de persistance observ pour le modle Ppyr est
identifiable pour une prvision 15 minutes. Par ailleurs, si les rsultats quantitatifs et les
fonctions dintercorrlation ne semblaient pas indiquer de quelconque avantage la dfinition
de zone dans limage du TSI, certains profils journaliers prouvent le contraire. Par exemple
la figure B.1 illustre deux situations o le modle PT SIcone permet de prvoir une chute de
rayonnement quaucun autre modle ntait en mesure de prvoir. La raison des performances
moindres de ce modle sexplique par son manque de robustesse. Les zones dfinies rendent
le modle dpendant du calcul de vecteur mais entrainent galement un apprentissage plus
dlicat : en donnant les statistiques globale de limage nous attendons de lANN quil corrige
le biais de la prvision satellite en fonction des conditions observes sur site, ce quil ralise
correctement. En revanche, en dfinissant des zones dans limage, nous tentons dintgrer une
nouvelle information de prvision physique dans le modle. Or les statistiques de limage du
TSI telles quon les a dfinies semblent trop instables pour raliser cette tape de faon robuste.
La distorsion de limage et labsence de prise en compte de laltitude de la couverture nuageuse
sont autant de paramtres qui rendent lutilisation des statistiques de nuages trs instables
dans le temps. Il existe des cas o les conditions sont runies pour obtenir de trs bons rsultats
4.2. Rsultats exprimentaux 101

Pmoy
Ppyr
PT SI
0.9
PT SI90
PT SIcone
Coefficient de correlation

0.8

0.7

0.6

0.5

0.4
10 8 6 4 2 0 2 4 6 8 10

lag (decalage entre les series temporelles)

Figure 4.5 Fonction dintercorrlation entre les modles et la mesure pour un horizon h =
15 minutes.

0.95

Pmoy
0.9
Ppyr
PT SI
PT SI90
0.85
PT SIcone

0.8
Coefficient de correlation

0.75

0.7

0.65

0.6

0.55

0.5

0.45
10 8 6 4 2 0 2 4 6 8 10

lag (decalage entre les series temporelles)

Figure 4.6 Fonction dintercorrlation entre les modles et la mesure pour un horizon h =
30 minutes.
102 Chapitre 4. Fusion dinformation pour la prvision du GHI

0.95

Pmoy
Ppyr
0.9
PT SI
PT SI90
0.85 PT SIcone

0.8
Coefficient de correlation

0.75

0.7

0.65

0.6

0.55

0.5

0.45
10 8 6 4 2 0 2 4 6 8 10

lag (decalage entre les series temporelles)

Figure 4.7 Fonction dintercorrlation entre les modles et la mesure pour un horizon h =
45 minutes.

(Fig.B.1) mais le manque de robustesse affecte trs fortement lensemble des rsultats. Dautres
profils journaliers sont prsents en annexe (B) pour mieux illustrer lensemble des horizons
de prvision tests.

4.3 Conclusion

En utilisant les connaissances acquises au chapitre 2 sur les caractristiques de limage

au sol et celles du chapitre 3 pour la prvision, nous avons dvelopp un modle de fusion
permettant de palier les faiblesses du modle satellitaire initial du chapitre 3. Par ailleurs,
la cration de modles de complexit croissante a permis de mettre en vidence les limites
de lutilisation directe de limage du TSI pour la prvision. Si lajout de statistiques globales
de limage a permis une rduction significative de la MBE et une amlioration moyenne du
modle, ce nest pas le cas pour les modles plus complexes faisant intervenir une slection
de zone dintrt. Ces modles, qui prsentent tout de mme des rsultats trs prometteurs,
ncessitent cependant un degr de prcision supplmentaire dans les entres slectionnes pour
tre plus performant. Il sagirait notamment dinclure dans le processus la prise en compte de
laltitude des nuages et leur position relle par rapport au capteur afin de donner une meilleure
signification physique aux caractristiques extraites. Ces informations peuvent tre acquises
mais requirent des installations et/ou des calculs supplmentaires dont nous ne disposons
pas dans le cadre de cette thse. Cependant, cette premire tude permet dtablir un premier
modle de fusion et ouvre la voie pour la cration de modles plus perfectionns permettant
la fusion dinformation entre limagerie satellitaire et limagerie hmisphrique.
4.3. Conclusion 103

Mesures
Pmoy
900
Ppyr
PT SI
PT SI90
800
PT SIcone
Base de test
700

600
ylabel

500

400

300

200

100

0
07:00 09:00 11:00 13:00 15:00 17:00
14/Juil./2011

Figure 4.8 Profil journalier, h=15min, sur ce profil, le "dphasage" du modle Ppyr li
leffet de persistance est trs marqu par rapport aux autres modles, en particulier dans la
zone point dans lellipse noire.

900
Mesures
Pmoy
Ppyr
PT SI
800 PT SI90
PT SIcone
Base de test
700

600

500
ylabel

400

300

200

100

07:00 09:00 11:00 13:00 15:00 17:00

12/Aot/2011

Figure 4.9 Profil journalier, h=15min, les ellipses noires indiquent les endroits o le modle
PT SIcone permet une modification positive par rapport lensemble des autres modles.
 Conclusion et perspectives

Cette thse porte sur la prvision trs court terme (intra-horaire) du rayonnement so-
laire indicent au sol sur un plan horizontal par lintermdiaire dimagerie satellitaire et/ou
hmisphrique vue du sol. Lobjectif principal tait de fusionner les deux types dinformation
afin damliorer les performances de prvision. Dans un premier temps, chacun des capteurs a
t tudi sparment. Un modle destimation du GHI partir dimages hmisphriques dun
TSI a t dvelopp dans le chapitre 2. Cette tude a permis didentifier les caractristiques
de limage pertinentes pour ltude du GHI mais aussi dtablir des bases de donnes et un
cadre de travail pour lutilisation de rseaux de neurones artificiels. Le chapitre 3 prsente des
modles de prvision trs court terme partir de donnes satellitaires. Deux modles ont
ainsi t construits et valids. Le premier modle est un modle autoregressif spatio-temporel
qui sappuie sur des sries temporelles spatialement tendue et rsolue sur des zones dintrt
fixes dans le voisinage immdiat du site dintrt. Il intgre galement un historique de me-
sures au sol. Le deuxime modle sappuie, quant lui, sur des zones dintrt slectionnes en
fonction des mouvements observs par traitement dimage sur les sries temporelles dimages
satellitaires. Ces modles ont permis dune part de valider lutilisation de cartes Hlioclim-3
comme seule source dentres la place des images satellites brutes. Cette approche consti-
tue une innovation en regard de la bibliographie et a fait lobjet dune publication accepte
dans un journal international comit de lecture. Dautre part, ils ont permis dtablir une
rfrence pour la prvision satellitaire et de cibler les inconvnients/avantages de ces modles
en fonction de la mthode utilise. Enfin, le chapitre 4 prsente une mthode fusionnant la
prvision satellitaire et les informations provenant de limagerie hmisphrique en utilisant la
structure prcdemment tablie des rseaux de neurones. Nous avons alors montr lintrt
dune telle fusion en comparant limpact de lintgration de donnes du TSI par rapport
lintgration de donnes du capteur de rayonnement lui-mme. Alors que lajout de donnes
du pyranomtre implique gnralement un "effet de persistance" limitant quelque peu lintrt
de la fusion dinformation, lutilisation de caractristiques de limage hmisphrique permet
damliorer les performances de la mthode satellitaire sans impact sur les capacits de pr-
vision intrinsques la mthode satellitaire. Pour rsumer, nous disposons de trois sources
dinformation, le pyranomtre, la base de donnes satellitaire HC-3 et le TSI que nous sou-
haitons fusionner dans le but de fournir une prvision du GHI amliore. La fusion dimage
au sens direct du terme semble difficile tant donnes les carts de rsolutions la fois tem-
porelle et spatiale entre les deux types dimage. Par ailleurs, cette approche aurait ncessit
de nombreux paramtres physiques prcis supplmentaires tels que laltitude des nuages et
leur paisseur optique qui sont des paramtres relativement difficiles obtenir. Cest donc une
approche diffrente qui a t adopte dans cette thse : identifier les caractristiques fortes de
chaque information afin de pouvoir les utiliser de faon complmentaire. Il sagit donc dune
fusion dinformation extraite des trois sources. Limagerie satellitaire permet davoir une ob-
servation large des phnomnes mtorologique permettant leur prvision. En revanche, elle
ne dispose pas dune rsolution spatiale suffisante pour pourvoir estimer limpact de ces ph-
nomnes sur la mesure dun capteur ponctuel comme le pyranomtre. Au contraire, le TSI

105
106 Conclusion

dispose de cette information mais reste limit en terme dhorizon de prvision par son champs
de vision restreint. Les rsultats obtenus au chapitre 4 montrent lintrt de la combinaison
de ces deux outils pour une prvision court terme du GHI.

Lensemble de ces travaux a t men et prsent dans cette thse de faon progressive,
ce qui permet de quantifier lapport de chaque changement de mthode ou de nature des
donnes dentre comme les mesures pyranomtriques ponctuelles, les images hmisphriques
du ciel, ou encore, les sries temporelles de cartes de GHI issues de HC-3 centres sur des
zones dintrt fixe ou variables. Cette approche permet de quantifier les amliorations re-
latives tout en identifiant les sources derreurs afin de dgager les pistes damlioration. Sur
le plan industriel, elle pourrait permettre de proposer une rponse adapte aux installations
existantes pour le client. Ainsi, il est possible de fournir une prvision en fonction des donnes
effectivement disponibles en opration : donnes issues de satellite, station pyranomtrique,
TSI ou autres. Les rsultats obtenus par les modles plus labors peuvent dsormais justifier
de faon quantitative linstallation de capteurs in-situ pour de meilleurs performances trs
court terme.

Pour conclure, nous retiendrons en tant que rsultats principaux de cette thse les points
suivants :
Limage hmisphrique du TSI permet destimer le GHI malgr lobstruction de la bande
protectrice.
Les images HC-3 peuvent tre utilises comme seules sources dinformation satellitaire
pour la prvision du GHI, y compris pour le calcul de mouvement des masses nuageuses.
Lutilisation dimages hmisphriques est prfrable celle de pyranomtres dans le
cadre dune fusion dinformation pour la prvision car elle permet dviter l"effet de
persistance" caractristique.
Les travaux raliss ont galement ouvert la voie dautres pistes. A la suite de ltude des
images hmisphriques, lintgration des travaux raliss en prvision du rayonnement direct
dans la littrature permettrait daffiner les performances trs court terme en indiquant une
probabilit de prsence ou dattnuation du rayonnement direct. Par ailleurs, ces travaux
font souvent appel une tape de calcul de champ de vecteur ralis sur la srie dimages
hmisphriques. La comparaison des champs de vecteurs obtenus de cette faon avec ceux
obtenus par traitement dimages satellitaires permettrait dune part daffiner la rsolution des
champs, mais galement de dtecter les situations de couches multiples de nuages souvent
sources derreurs pour la plupart des mthodes.

Du point de vue de limagerie satellitaire, une perspective damlioration de fusion des m-

thodes proposes dans le chapitre 3 consisterait trouver une solution pour bnficier la fois
de la robustesse de lapprentissage du modle autoregressif et des performances dadaptation
de la mthode utilisant les champs de vecteurs. Nous avons en effet propos premirement un
modle linaire utilisant une zone dintrt fixe mais dont les coefficients sont appris, puis un
autre modle dont la localisation de la zone dintrt sadapte la situation avec une transpo-
sition effectue par une simple moyenne. Il sagit donc de dvelopper un modle utilisant les
informations en temps rel pour ajuster la fois la zone dintrt mais aussi les coefficients
linaires appliqus. Par ailleurs, la reprise des mthodes dveloppes une rsolution tempo-
Conclusion 107

relle plus faible avec, par exemple, des irradiations 30 minutes permettrait damliorer les
rsultats pour des horizons de prvision plus importants.

Enfin, les mthodes dveloppes au cours de de cette thse ont t compares une mthode
servant actuellement de rfrence dans la bibliographie actuelle, la persistance sur lindice de
ciel clair. Toutefois, leur confrontation dautres mthodes de la bibliographie permettrait
mieux juger de leurs forces et faiblesses sur les mmes jeux de donnes et les mmes m-
thodologie de validation consistant distinguer absolument les donnes dapprentissage des
donnes de validation. Cest pourquoi il pourra tre intressant de confronter les diffrentes
mthodes proposes en participant des activits internationales de comparaison de mthodes
de prvision de la ressource solaire telles que celles proposes par la tche 46 du programme
Solar Heating & Cooling(SHC) 1 . Ce sera aussi loccasion de contribuer en proposant les nou-
velles approches dvaluation de la qualit de la prvision exposes dans la thse comme celle
consistant dcomposer lanalyse suivant une classification des diffrents types de journes
propose dans le chapitre 1 ou encore celle proposant lanalyse des intercorrelations entre les
modles et la variable dintrt qui a permis la caractrisation de leffet de persistance dans
les chapitre 3 et 4.

1. [Link]
 Annexe A

Tests sur le ratio pour la mthode de

segmentation de limage
hmisphrique

Les figures suivantes prsentent les rsultats de segmentation de limage en fonction du

seuil choisi pour la mthode de segmentation R/B dcrite dans la section [Link].

109
 Annexe A. Tests sur le ratio pour la mthode de segmentation de limage
110 hmisphrique

Figure A.1 Test de seuil pour la mthode de segmentation par ratio : Seuil =0.4

rasant uni nuage rasant uni soleil haut uni nuage

haut uni soleil rasant fractionn nuage rasant fractionn soleil

haut fractionn nuage haut fractionn soleil

seuil = 0.4
 111

Figure A.2 Test de seuil pour la mthode de segmentation par ratio : Seuil =0.55

rasant uni nuage rasant uni soleil haut uni nuage

haut uni soleil rasant fractionn nuage rasant fractionn soleil

haut fractionn nuage haut fractionn soleil

seuil = 0.55
 Annexe A. Tests sur le ratio pour la mthode de segmentation de limage
112 hmisphrique

Figure A.3 Test de seuil pour la mthode de segmentation par ratio : Seuil =0.6

rasant uni nuage rasant uni soleil haut uni nuage

haut uni soleil rasant fractionn nuage rasant fractionn soleil

haut fractionn nuage haut fractionn soleil

seuil = 0.6
 113

Figure A.4 Test de seuil pour la mthode de segmentation par ratio : Seuil =0.65

rasant uni nuage rasant uni soleil haut uni nuage

haut uni soleil rasant fractionn nuage rasant fractionn soleil

haut fractionn nuage haut fractionn soleil

seuil = 0.65
 Annexe A. Tests sur le ratio pour la mthode de segmentation de limage
114 hmisphrique

Figure A.5 Test de seuil pour la mthode de segmentation par ratio : Seuil =0.8

rasant uni nuage rasant uni soleil haut uni nuage

haut uni soleil rasant fractionn nuage rasant fractionn soleil

haut fractionn nuage haut fractionn soleil

seuil = 0.8
 Annexe B

Exemples de profils journaliers de

prvision

Les figures suivantes prsentent des profils journaliers permettant de comparer les rsultats
du modle Pmoy aux diffrents modles dvelopps dans le chapitre 4.

1000

Mesures
900 Pmoy
Ppyr
PT SI
800
PT SI90

700

600

500

400

300

200

100

0
07:30 08:30 09:30 10:30 11:30 12:30 13:30 14:30 15:30 16:30 17:30

test
Figure B.1 Profil journalier, h=15 minutes.

115
 116 Annexe B. Exemples de profils journaliers de prvision

800 Mesures
Pmoy
Ppyr
700
PT SI
PT SI90

600

500

400

300

200

100

09:00 10:00 11:00 12:00 13:00 14:00 15:00 16:00

test
Figure B.2 Profil journalier, h=15 minutes.

900
Mesures
Pmoy
Ppyr
800
PT SI
PT SI90

700

600

500

400

300

200

07:00 09:00 11:00 13:00 15:00 17:00

test
Figure B.3 Profil journalier, h=30 minutes.
 117

1000 Mesures
Pmoy
Ppyr
900
PT SI
PT SI90
800

700

600

500

400

300

200

100

08:00 10:00 12:00 14:00 16:00 18:00

test
Figure B.4 Profil journalier, h=30 minutes.

Mesures
Pmoy
1000
Ppyr
PT SI
PT SI90

800

600

400

200

07:00 09:00 11:00 22/Mai/2011 13:00 15:00 17:00

test
Figure B.5 Profil journalier, h=45 minutes.
 118 Annexe B. Exemples de profils journaliers de prvision

Mesures
1000

Pmoy
900
Ppyr
PT SI
PT SI90
800

700

600

500

400

300

200

100

03:00 06:00 09:00 12:00 15:00 18:00 21:00 00:00

test 23/Mai/2011

Figure B.6 Profil journalier, h=45 minutes.

 Annexe C

Publications de lauteur

C.1 Publication en rapport avec la thse

C.1.1 Publication en revue internationale

C.1.1.1 Publication accepte

R. Dambreville, P. Blanc, J. Chanussot, D. Boldo. Very short term forecasting of the

Global Horizontal Irradiance using a Spatio-temporal Autoregressive Model. Accepted
at Renewable Energy
G. A. Licciardi, R. Dambreville, J. Chanussot. SPATIO-TEMPORAL PATTERN RE-
COGNITION AND NONLINEAR PCA FOR GLOBAL HORIZONTAL IRRADIANCE
FORECASTING. Accepted at Geoscience and Remote Sensing Letters

C.1.1.2 Publication soumise

R. Dambreville, P. Blanc, J. Chanussot, G. A. Licciardi, D. Boldo, S. Dubost. Data fusion

for the enhancement of satellite based surface solar irradiance forecasting. Submitted at
Geoscience and Remote Sensing Letters

C.1.2 Publication en confrence internationale

R. Dambreville, P. Blanc, J. Chanussot, D. Boldo. Very short term forecasting of the

Global Horizontal Irradiance through Helioclim maps. In Renewable Energy Congress
(IREC), 2014 5th International, pp. 1-6. IEEE, 2014.

C.2 Brevet
R. Dambreville, S. Dubost, D. Boldo, P. Blanc, J. Chanussot. Prvision photovoltaque
trs court terme utilisant des donnes satellitaires. Dpt le 24 Mars 2014.

119
120 Annexe C. Publications de lauteur

C.3 Autre publication hors du contexte de la thse

A. Villa, J. Chanussot, J. A. Benediktsson, C. Jutten, R Dambreville. (2013). Unsuper-
vised methods for the classification of hyperspectral images with low spatial resolution.
Pattern Recognition, 46(6), 1556-1568.
 Bibliographie

[Aka69] Hirotugu Akaike. Fitting autoregressive models for prediction. Dans : Annals
of the institute of Statistical Mathematics 21.1 (1969), p. 243247 (cf. p. 71).
[AW10] Ronald J Adrian et Jerry Westerweel. Particle image velocimetry. T. 30.
Cambridge University Press, 2010 (cf. p. 82).
[Bau96] Olivier Bauer. Les changes ocan-atmosphre dans lAtlantique subtropical
nord-est : apports de Meteosat. Thse de doct. 1996 (cf. p. 65).
[BCH96] Hans Georg Beyer, Claudio Costanzo et Detlev Heinemann. Modifications
of the Heliosat procedure for irradiance estimates from satellite images. Dans :
Solar Energy 56.3 (1996), p. 207212 (cf. p. 64).
[Bis95] Christopher M Bishop. Neural networks for pattern recognition. Oxford univer-
sity press, 1995 (cf. p. 51).
[Bla+11] Philippe Blanc et al. The HelioClim project : Surface solar irradiance data for
climate applications. Dans : Remote Sensing 3.2 (2011), p. 343361 (cf. p. 65,
67).
[BS97] JA Benediktsson et JR Sveinsson. Feature extraction for multisource data
classification with artificial neural networks. Dans : International Journal of Re-
mote Sensing 18.4 (1997), p. 727740 (cf. p. 51).
[BSE90] JONA Benediktsson, Philip H Swain et Okan K Ersoy. Neural network ap-
proaches versus statistical methods in classification of multisource remote sensing
data. Dans : IEEE Transactions on geoscience and remote sensing 28.4 (1990),
p. 540552 (cf. p. 51).
[Can+86] Daniel Cano et al. A method for the determination of the global solar radiation
from meteorological satellite data. Dans : Solar Energy 37.1 (1986), p. 3139
(cf. p. 6365).
[Cho+11] Chi Wai Chow et al. Intra-hour forecasting with a total sky imager at the UC
San Diego solar energy testbed. Dans : Solar Energy 85.11 (2011), p. 28812893
(cf. p. 30, 33, 34).
[CS08] Josep Calbo et Jeff Sabburg. Feature extraction from whole-sky ground-based
images for cloud-type recognition. Dans : Journal of Atmospheric & Oceanic
Technology 25.1 (2008) (cf. p. 39).
[Dam+14] Romain Dambreville et al. Very short term forecasting of the Global Hori-
zontal Irradiance through Helioclim maps. Dans : Renewable Energy Congress
(IREC), 2014 5th International. IEEE. 2014, p. 16 (cf. p. 60).
[DDK87] G Dedieu, PY Deschamps et YH Kerr. Satellite estimation of solar irradiance
at the surface of the earth and of surface albedo using a physical model applied to
Metcosat Data. Dans : Journal of Climate and Applied Meteorology 26.1 (1987),
p. 7987 (cf. p. 63).

121
122 Bibliographie

[Dia+13] Maimouna Diagne et al. Review of solar irradiance forecasting methods and
a proposition for small-scale insular grids. Dans : Renewable and Sustainable
Energy Reviews 27 (2013), p. 6576 (cf. p. 3).
[Ein05] Albert Einstein. The photoelectric effect. Dans : Ann. Phys 17 (1905), p. 132
(cf. p. 1).
[FC13] Chia-Lin Fu et Hsu-Yung Cheng. Predicting solar irradiance with all-sky image
features via regression. Dans : Solar Energy 97 (2013), p. 537550 (cf. p. 33, 36,
38, 39).
[Fon+97] M Fontoynont et al. Satel-Light. Dans : Processing of Meteosat data for the
production of high quality daylight and solar radiation data available on a World
Wide Web Internet server, Mid-term progress report JOR3-CT (1997), p. 950041
(cf. p. 64).
[FS98] Fabio Del Frate et Giovanni Schiavon. A combined natural orthogonal func-
tions/neural network technique for the radiometric estimation of atmospheric
profiles. Dans : Radio Science 33.2 (1998), p. 405410 (cf. p. 51).
[Gau+12] Charlotte Gauchet et al. Surface solar irradiance estimation with low-cost fish-
eye camera. Dans : Workshop onRemote Sensing Measurements for Renewable
Energy. 2012 (cf. p. 30, 31).
[GDM80] Catherine Gautier, Georges Diak et Serge Masse. A simple physical model to
estimate incident solar radiation at the surface from GOES satellite data. Dans :
Journal of Applied Meteorology 19.8 (1980), p. 10051012 (cf. p. 63).
[Gue08] Christian A Gueymard. REST2 : High-performance solar radiation model for
cloudless-sky irradiance, illuminance, and photosynthetically active radiation
Validation with a benchmark dataset. Dans : Solar Energy 82.3 (2008), p. 272
285 (cf. p. 19).
[Gue93] Christian Gueymard. Critical analysis and performance assessment of clear sky
solar irradiance models using theoretical and measured data. Dans : Solar Energy
51.2 (1993), p. 121138 (cf. p. 20).
[GWE09] Rafael C Gonzalez, Richard E Woods et Steven L Eddins. Digital image pro-
cessing using MATLAB. T. 2. Gatesmark Publishing Knoxville, 2009 (cf. p. 82).
[Ham+99] Annette Hammer et al. Short-term forecasting of solar radiation : a statistical
approach using satellite data. Dans : Solar Energy 67.1 (1999), p. 139150 (cf.
p. 64, 82).
[HH78] JE Hay et KJ Hanson. Satellite-based methodology for determining solar ir-
radiance at the ocean surface during gate. Dans : Bulletin of the American Me-
teorological Society. T. 59. 11. AMER METEOROLOGICAL SOC 45 BEACON
ST, BOSTON, MA 02108-3693. 1978, p. 15491549 (cf. p. 63).
[HMS10] Anna Heinle, Andreas Macke et Anand Srivastav. Automatic cloud clas-
sification of whole sky images. Dans : Atmospheric Measurement Techniques
Discussions 3.1 (2010), p. 269299 (cf. p. 31, 32, 39, 41, 44).
Bibliographie 123

[HS81] Berthold K Horn et Brian G Schunck. Determining optical flow. Dans : 1981
Technical Symposium East. International Society for Optics et Photonics. 1981,
p. 319331 (cf. p. 82).
[HSD73] Robert M Haralick, Karthikeyan Shanmugam et Its Hak Dinstein. Textural
features for image classification. Dans : Systems, Man and Cybernetics, IEEE
Transactions on 6 (1973), p. 610621 (cf. p. 42).
[Hsu+92] Shin-Yi Hsu et al. Comparative analysis of five neural network models. Dans :
Remote Sensing Reviews 6.1 (1992), p. 319329 (cf. p. 51).
[Hue+96] Sylvie Huet et al. Statistical tools for nonlinear regression. Springer, 1996 (cf.
p. 38).
[Ieh+97] A Iehl et al. Meteosat : A valuable tool for agro-meteorology. Dans : Final
report for the European Commission, Joint Research Centre, Ispra, Italy (1997)
(cf. p. 64).
[Ine06] Pierre Ineichen. Comparison of eight clear sky broadband models against 16
independent data banks. Dans : Solar Energy 80.4 (2006), p. 468478 (cf. p. 19).
[IP99] Pierre Ineichen et Richard Perez. Derivation of cloud index from geostationary
satellites and application to the production of solar irradiance and daylight illu-
minance data. Dans : Theoretical and Applied Climatology 64.1-2 (1999), p. 119
130 (cf. p. 64).
[IPC13] Rich H Inman, Hugo TC Pedro et Carlos FM Coimbra. Solar forecasting
methods for renewable energy integration. Dans : Progress in Energy and Com-
bustion Science 39.6 (2013), p. 535576 (cf. p. 19, 62, 63).
[Kaz+12] A Kazantzidis et al. Cloud detection and classification with the use of whole-
sky ground-based images. Dans : Atmospheric Research 113 (2012), p. 8088
(cf. p. 31, 32).
[KL11] Greg Kopp et Judith L Lean. A new, lower value of total solar irradiance : Evi-
dence and climate significance. Dans : Geophysical Research Letters 38.1 (2011)
(cf. p. 8).
[Lef+13] Mireille Lefevre et al. McClear : a new model estimating downwelling solar ra-
diation at ground level in clear-sky conditions. Dans : Atmospheric Measurement
Techniques Discussions 6.2 (2013), p. 33673405 (cf. p. 19).
[Liu+13] Shuang Liu et al. Tensor Ensemble of Ground-Based Cloud Sequences : Its
Modeling, Classification, and Synthesis. Dans : (2013) (cf. p. 32).
[LLY11] Qingyong Li, Weitao Lu et Jun Yang. A Hybrid Thresholding Algorithm for
Cloud Detection on Ground-Based Color Images. Dans : Journal of Atmospheric
& Oceanic Technology 28.10 (2011) (cf. p. 35).
[LSC+06] Charles N Long, JM Sabburg, J Calb et al. Retrieving cloud characteristics
from ground-based daytime color all-sky images. Dans : Journal of Atmospheric
& Oceanic Technology 23.5 (2006) (cf. p. 30, 31, 36, 44).
[Mal05] S Malardel. Fondamentaux de mtorologie : lcole du temps. 2005 (cf. p. 7,
10).
124 Bibliographie

[MC04] N Mori et K Chang. Introduction to MPIV-PIV toolbox in MATLAB-version

0.965. Dans : See http ://www. oceanwave. jp/softwares/mpiv_doc/index. html
(2004) (cf. p. 35).
[MC13a] Ricardo Marquez et Carlos FM Coimbra. Intra-hour DNI forecasting based
on cloud tracking image analysis. Dans : Solar Energy 91 (2013), p. 327336
(cf. p. 30, 31, 33, 35, 38).
[MC13b] Ricardo Marquez et Carlos FM Coimbra. Proposed Metric for Evaluation
of Solar Forecasting Models. Dans : Journal of solar energy engineering 135.1
(2013) (cf. p. 21, 23, 24).
[MCK13] Patrick Mathiesen, Craig Collier et Jan Kleissl. A high-resolution, cloud-
assimilating numerical weather prediction model for solar irradiance forecasting.
Dans : Solar Energy 92 (2013), p. 4761 (cf. p. 3).
[MDV87] S Marullo, G Dalu et A Viola. Incident short-wave radiation at the surface
from meteosat data. Dans : Il Nuovo Cimento C 10.1 (1987), p. 7790 (cf. p. 63).
[Mou+89] Guy Moussu et al. A method for the mapping of the apparent ground brightness
using visible images from geostationary satellites. Dans : Remote Sensing 10.7
(1989), p. 12071225 (cf. p. 64).
[MPC13] Ricardo Marquez, Hugo TC Pedro et Carlos FM Coimbra. Hybrid solar fo-
recasting method uses satellite imaging and ground telemetry as inputs to ANNs.
Dans : Solar Energy 92 (2013), p. 176188 (cf. p. 62, 64).
[MR84] Werner Mser et Ehrhard Raschke. Incident solar radiation over Europe es-
timated from METEOSAT data. Dans : Journal of Climate and Applied Meteo-
rology 23.1 (1984), p. 166170 (cf. p. 63).
[Mue+04] RW Mueller et al. Rethinking satellite-based solar irradiance modelling : The
SOLIS clear-sky module. Dans : Remote sensing of Environment 91.2 (2004),
p. 160174 (cf. p. 19).
[NRF93a] M Noia, CF Ratto et R Festa. Solar irradiance estimation from geostationary
satellite data : I. Statistical models. Dans : Solar Energy 51.6 (1993), p. 449456
(cf. p. 62).
[NRF93b] M Noia, CF Ratto et R Festa. Solar irradiance estimation from geostationary
satellite data : II. Physical models. Dans : Solar Energy 51.6 (1993), p. 457465
(cf. p. 63).
[Obr90] Dominique Obrecht. Mtorologie solaire et images satellitaires : cartographie
du rayonnement solaire, dtermination de lalbdo des sols et valuation de len-
nuagement. Thse de doct. Universit de Nice Sophia-Antipolis, 1990 (cf. p. 64).
[Oum+09] Armel Oumbe et al. A new method for estimating solar energy resource. Dans :
Proceedings of the ISRSE 33 (2009) (cf. p. 64).
[Pen+13] Zhenzhou Peng et al. Solar irradiance forecast system based on geostationary
satellite. Dans : Smart Grid Communications (SmartGridComm), 2013 IEEE
International Conference on. IEEE. 2013, p. 708713 (cf. p. 64).
Bibliographie 125

[Per+02] Richard Perez et al. A new operational model for satellite-derived irradiances :
description and validation. Dans : Solar Energy 73.5 (2002), p. 307317 (cf.
p. 63).
[Pet06] Grant William Petty. A first course in atmospheric radiation. Sundog Pub, 2006
(cf. p. 31).
[Pfi+03] G Pfister et al. Cloud coverage based on all-sky imaging and its impact on
surface solar irradiance. Dans : Journal of Applied Meteorology 42.10 (2003) (cf.
p. 30).
[RBW00] Christelle Rigollier, Olivier Bauer et Lucien Wald. RADIATION ATLAS
WITH RESPECT TO THE HELIOSAT METHOD. Dans : Solar Energy 68.1
(2000), p. 3348 (cf. p. 19).
[Rig+02] Christelle Rigollier et al. The Operational Calibration of Images Taken in the
Visible Channel of the Meteosat Series of Satellites. Dans : Journal of Atmos-
pheric & Oceanic Technology 19.9 (2002) (cf. p. 65).
[RLW04] Christelle Rigollier, Mireille Lefvre et Lucien Wald. The method Heliosat-
2 for deriving shortwave solar radiation from satellite images. Dans : Solar Energy
77.2 (2004), p. 159169 (cf. p. 64, 65).
[Roe+11] A. Roesch et al. Assessment of BSRN radiation records for the computation of
monthly means. Dans : Atmospheric Measurement Techniques 4 (2011), p. 339
354 (cf. p. 15).
[Sch+11] Kathrin Schumann et al. Improving satellite-derived solar resource analysis
with parallel ground-based measurements. Dans : ISES Solar World Congress,
Kassel, Germany. 2011 (cf. p. 68).
[SL12] George AF Seber et Alan J Lee. Linear regression analysis. T. 936. John Wiley
& Sons, 2012 (cf. p. 38).
[SLT01] DW Slater, CN Long et TP Tooman. Total sky imager/whole sky imager
cloud fraction comparison. Dans : Eleventh ARM Science Team Meeting Procee-
dings, Atlanta, Georgia. 2001 (cf. p. 30).
[Vai07] PP Vaidyanathan. The theory of linear prediction. Dans : Synthesis Lectures
on Signal Processing 2.1 (2007), p. 1184 (cf. p. 71).
[VBP13] Christophe Vernay, Philippe Blanc et Sbastien Pitaval. Characterizing
measurements campaigns for an innovative calibration approach of the global
horizontal irradiation estimated by HelioClim-3. Dans : Renewable Energy 57
(2013), p. 339347 (cf. p. 68).
[Zel+92] A Zelenka et al. Techniques for supplementing solar radiation network data.
Dans : Report IEA Task 9 (1992) (cf. p. 64).
[Zel+94] Andreas Zell et al. SNNS (stuttgart neural network simulator). Dans : Neural
Network Simulation Environments. Springer, 1994, p. 165186 (cf. p. 54).
Rsum Lintgration des nergies intermittentes sur le rseau lectrique existant soulve
des problmes de stabilit de la balance consommation/production. Afin de limiter les risques,
la loi autorise un taux de pntration maximum de ces nergies de 30% de la puissance
installe. Afin de pallier cette limitation, deux pistes sont envisages, le stockage dnergie et
la prvision de production. Les travaux mens dans cette thse sinscrivent dans la seconde
catgorie et se concentrent sur la prvision du rayonnement global au sol, ressource principale
des systmes de production dnergie photovoltaque. Dans lobjectif dune prvision trs
court terme (infra-horaire), la problmatique dveloppe concerne la fusion dinformations
provenant dune part dobservations satellitaires et de lautre dobservations in-situ telles que
des images hmisphriques. Lapproche suivie se veut progressive et sarticule autour de 4
grand axes. Le premier chapitre nonce les dfinitions et les enjeux principaux lis ltude
du GHI en dcrivant les diffrents facteurs physiques ayant des interactions sur sa mesure. Le
second chapitre permet dvaluer le potentiel des images hmisphriques pour lestimation du
rayonnement global. On y dveloppe une mthode destimation du GHI base sur lutilisation
dun rseau de neurones artificiels permettant deffectuer une rgression non linaire entre des
caractristiques choisie de limage et le rayonnement mesur sur site par un pyranomtre. Le
troisime chapitre concerne lutilisation des images satellitaires pour la prvision trs court
terme du rayonnement global. Loriginalit des mthodes proposes provient de lutilisation
en entres de cartes de rayonnement drives des images satellitaires via une mthode externe.
Lutilisation de ces cartes de rayonnement permet la construction de modles linaires
simples (modles auto-rgressifs) grce lhomognit des donnes utilises. Cependant,
leur pertinence pour le calcul de champ de vecteurs a galement t prouv et valid dans un
second modle. La comparaison des deux modles ainsi crs partir dimagerie satellitaire
a permis de caractriser les forces et faiblesses de ces modles. Lintrt de lobservation
satellitaire rside dans lanticipation du dplacement des masses nuageuse. Cependant, un
biais non systmatique persiste dans la conversion des valeurs des pixels en rayonnement.
Ce biais est inhrent la rsolution spatio-temporelle de ces observations. tant donn ces
considrations, le chapitre 4 prsente alors une mthode dintgration des donnes acquises
par limagerie hmisphrique, disposant une meilleure rsolution spatio-temporelle, dans les
rsultats de prvision satellitaires prcdemment voqus. On joint alors les caractristiques
retenues au chapitre 2 dans un rseau de neurone avec la prvision pour produire une
prvision dont le biais est largement rduit. Lutilisation de caractristiques drives de
limagerie hmisphrique la place de simple mesures du pyranomtre est justifie par leffet
de persistance non souhait apportes par ces dernires. Ainsi, aprs avoir tudi chaque
source dinformation sparment, on a pu dvelopper un modle leur permettant de se
complter.

Mots cls : Rseau de neurones artificiels, traitement dimage, apprentissage, rayon-

nement solaire, tldtection, image satellite.
128 Bibliographie

Abstract To handle the integration of intermittent energies to the existing grid,

managers require more and more acurate tools to forecast the primary resources. This thesis
focuses on the very short term forecast of the global horizontal irradiance (GHI), main
input for most photovoltaic power plant. We chose to use both ground based images from
hemispherical cameras and satellite images to provide a forecating tool. In the first hand
we present a novel appraoch to estimate the GHI using ground based images. On second
hand, we propose several satellite based methods to forecast the GHI up to one hour. Finally,
we developp a new method allowing us to merge both data in order to benefit from their
respective advantages. All the methods were tested against real data acquired on the SIRTA
site, Polytechnique campus.

Keywords : Artificial neural networks, image processing, machine learning, solar ir-
radiance, remote sensing, satellite images.

Grenoble Images Paroles Signal et Automatique, 11 Rue des Mathmatiques, 38400

Saint-Martin-dHres, France
GRENOBLE