UNIVERSITE DE TOLIARA

FACULTE DES SCIENCES

DEPARTEMENT DE PHYSIQUE
Faculté des Sciences
FORMATION DOCTORALE

MEMOIRE
pour l’obtention du
DIPLOME D’ETUDES APPROFONDIES EN PHYSIQUE

ETUDE DE LA PLUVIOMETRIE DANS LA REGION

SUD-OUEST DE MADAGASCAR :
APPROCHE PAR ANALYSE EN COMPOSANTES
PRINCIPALES ET ANALYSES SPECTRALES

présenté par :
RAFENOMANANJARA Nomena Barisata

soutenu publiquement
le 04 Novembre 2011

devant la commission d’examen composée de :

Président : Docteur LEZO Hugues

Rapporteurs : Professeur Adolphe Andriamanga RATIARISON
Docteur Olga RAMIARINJANAHARY
Examinateur : Professeur Hery Antenaina RAZAFIMANDIMBY
 Remerciements

Cette recherche a vu le jour grâce à la collaboration de la Faculté des Sciences de

l’Université de Toliara et le laboratoire de Dynamique de l’Atmosphère, du Climat et de l’Océan
(DyACO) de la Faculté des Sciences de l’Université d’Antananarivo. Durant six mois de travail et
de rédaction, beaucoup sont ceux qui m’ont soutenu et conseillé tout en contribuant à son
élaboration.

Je tiens ainsi à adresser mes plus vifs remerciements à tous les enseignants du Département
de Physique de l’Université de Toliara qui ont été de véritables richesses durant ces longues années
d’études et qui m’ont permis d’arriver à ce stade de formation universitaire. Je ne vous remercierais
pas assez.

Je transmets ma profonde gratitude au Professeur Adolphe Andriamanga RATIARISON,

responsable du laboratoire de Dynamique de l’Atmosphère, du Climat et de l’Océan qui a accepté
d’être mon encadreur en m’intégrant dans son équipe de recherche et qui a donné à ma disposition
les ressources nécessaires à l’achèvement du présent travail. Vos recommandations et vos remarques
m’ont été d’une aide précieuse.

Mes remerciements s’adressent :

au Docteur Olga RAMIARINJANAHARY qui est à l’origine de la collaboration et qui
m’a suggéré de continuer mon mémoire au sein du laboratoire DyACO ;

au Docteur LEZO Hugues, Doyen de la Faculté des Sciences, malgré ses responsabilités,
m’a fait l’honneur de présider le jury du présent travail ;

au Professeur Hery Antenaina RAZAFIMANDIMBY, responsable de la formation
doctorale, qui a voulu consacrer un peu de son précieux temps pour en avoir été l’examinateur.

A tous ceux qui ont contribué de loin ou de près à sa réalisation, recevez ma profonde
reconnaissance à travers cet ouvrage, en particulier :
- les équipes du laboratoire DyACO;
- ma famille qui a m’a soutenu durant tous les moments difficiles de mon parcours.

Soyez remerciés à travers ce mémoire. J’espère ne pas avoir ajouté un fardeau trop pesant à
votre lourde tâche.
 TABLE DES MATIERES

NOMENCLATURES
LISTE DES FIGURES
LISTE DES TABLEAUX
INTRODUCTION……………………………………………………….…………..……… 1
PARTIE I : LA PLUIE……………………………………………………….…….….…… 3
I-1-Généralités sur la pluie ………………….…………………………….…….……… 4
I-2- Processus de formation des précipitations ……………………………….….……. 4
I-2-1-Source d’humidité de l’air atmosphérique ……………………………..……… 4
I-2-2- La formation des nuages…………………………..………………….…...…… 5
I-2-1-1- Les nuages dus aux phénomènes de convection……………..…..…… 5
I-2-1-2-Les nuages dus au relief…………..……….………….……..…..….…. 6
I-2-1-3- Les nuages dus à la rencontre de deux masses d’air………...….….…. 6
I-2-3- Le développement des précipiatations…………………………..…..…….….. 7
I-2-3-1- Mécanisme de Bergeron………………………………….….….……. 7
I-2-3-2- Précipitations des nuages chauds……………………………...……… 8
PARTIE II :
METHODOLOGIES………………………………………………………….………....…..9
II-1-L’analyse en Composantes principales………………….…………….…..…….… 10
II-1-1-Présentation générale…………………………………….…….…..……….…. 10
II-1-2-Tableau de données initiales………………………………….…...….….……. 10
II-1-3-Nuage des points individus et nuage des points variables………..….….…….. 11
II-1-4-Caractéristiques des nuages de points……………………………..…..….…… 12
II-1-5-Formalisation mathématique de l’ACP…………………………………..……. 12
II-1-5-1-Schématisation de l’objectif de l’ACP…………………...……..….…. 12
II-1-5-2-Centrage et réduction des variables………………………....…..……. 13
II-1-5-3-Schématisation de l’espace des variables Zj ……….………………… 13
II-1-5-4-Schématisation de l’espace des individus Ui…………..…….…...…… 14
p
II-1-5-5-Ecriture des composantes principales dans ℝ …..………....….……..15
II-1-5-6-Caractéristiques des axes principaux………….……....…………..…. 19
II-1-5-7- Représentation des variables …………………….….……….…..….. 20
 II-1-6- Interprétation des résultats de l’ACP………………………………....……… 22
II-1-6-1- Choix du nombre d’axes principaux à retenir……………….…..…… 22
II-1-6-2- Interprétation des axes principaux en fonction des contributions…….. 22
II-1-6-3- Interprétation des plans factoriels par les qualités des représentations.. 22
II-2-Transformation de Fourier rapide……………………………………...…..…….. 24
II-2-1-Définition d’un signal………………………………………..……..………… 24
II-2-2-Transformation de Fourier continue…………………………………………. 24
II-2-3-Transformation de Fourier discrète……………………..…………………..… 24
II-2-3-1-Signal discret…………………………………………..…...………… 25
II-2-3-2-Transformation de Fourier discrète…………………….…………….. 25
II-2-4-Transformation de Fourier rapide………………………………….…………. 25
II-3-Transformation en ondelette continue………………………..…………………… 26
II-3-1-Transformation de Fourier à fenêtre glissante…………………..…....……….. 26
II-3-2-Transformation en ondelette continue…………………………….….……….. 27
II-3-2-1-Description d’une ondelette………………………….…...….……….. 27
II-3-2-2- Quelques exemples d’ondelettes…………………………….….……. 28
II-3-2-3- Versions translatées et dilatées d’une fonction d’ondelette…….….… 29
II-3-2-4- Formulation de la transformation en ondelette continue……….……. 31
PARTIE III : RESULTATS…………………………………………….……….…………. 34
III-1-Localisation de la zone d’étude………………………………………….....……... 35
III-2-Données utilisées……………………………………………….……………….….. 35
III-3-Résultats de l’Analyse en Composantes Principales……………………..……… 36
III-3-1-Description du tableau de départ………………………………..…..….……. 36
III-3-2-Objectif de l’analyse…………………………………………….….....……… 36
III-3-3-Résultats de l’analyse en composante principale………………..…..….……. 39
III-3-3-1-Tableau de données centrées réduites………………….……………. 39
III-3-3-2-Résultats préliminaires……………………………………...…..…… 41
III-3-3-3-Résultats généraux de l’ACP……………………………...…...…….. 43
III-3-3-4- Interprétation des résultats de l’ACP………………….....…….……. 45
III-3-4- Conclusion de l’analyse en composantes principales …………………….….. 53
III-4-Etude de la pluviométrie pour chaque groupe de points……………….……….. 55
III-4-1-La pluviométrie dans la région I……………………………..…....………….. 56
III-4-1-1-Variation mensuelle de la pluie……………………..………………... 56
III-4-1-2-Transformation de Fourier rapide ……………………....…………… 56
III-4-1-3- Transformation en ondelette continue ……………..…..….………... 57
III-4-2-La pluviométrie dans la région II…………………………………...………… 58
III-4-2-1- Variation mensuelle de la pluie………………………….….……….. 58
III-4-2-2-Transformation rapide de Fourier…………………….....…………… 58
III-4-2-3-Transformation en ondelette continue………………….....….……… 59
III-4-3-La pluviométrie dans la région III……………………………....…….……… 60
III-4-3-1- Variation mensuelle de la pluie………………………..…………….. 60
III-4-3-2- Transformation rapide de Fourier…………………....…….………... 61
III-4-3-3-Transformation en ondelette continue…………………..……………. 61
III-4-4-La pluviométrie dans la région IV…………………………………...……….. 62
III-4-4-1-Variation mensuelle de la pluie……………………….…….....……...62
III-4-4-2- Transformation rapide de Fourier…………………….…….……….. 63
III-4-4-3-Transformation en ondelette continue ……………………....………. 63
III-4-5-Observations et commentaires…………………………….………….………… 64
Conclusion générale…………………………………………….………….…...…...…… 66

Annexe A : caractéristiques des nuages de points……………………….…….…………. I

Annexe B : méthode des multiplicateurs de Lagrange……………………..…….……….. III
Annexe C : dérivée matricielle par rapport à un vecteur……………………….………… IV
Annexe D : correspondance entre statistique et géométrie………………….....…………. VI
Annexe E : équivalence échelle-fréquence pour l’ondelette de Daubechies / Symlets…... VII
Annexe F : carte de la répartition mensuelle de la pluie……………………….…....….… VIII

REFERENCES BIBLIOGRAPHIQUES
NOMENCLATURES

q : nombre de nouvelles variables

p : nombre d’anciennes variables

n : nombre d’individu

Ui : le ième individu

Xj : la jième variable

X : matrice de données initiales

xij : élément de la matrice de données initiales


Wi : vecteur des mesures des variables
t  
Wi : transposée de Wi

C : ensemble des n individus

F : matrice des composantes principales

Fj : jième colonne de la matrice F

t
Fj : transposée de Fj

f ij : élément de la matrice des composantes principales


fj : moyenne de f ij

Z : matrice des données centrées réduites

zij : élément de la matrice des données centrées réduites (variables)

xj : moyenne des valeurs de la variables X j

σ (xj ) : écart-type de la variable X j

G : centre de gravité du nuage des points individus


bj : vecteur unitaire de l’axe principal F j

B : matrice des vecteurs de base du nouveau système

var  Fj  : variance de la composante principale F j

R : matrice de corrélation linéaire des variables centrées réduites

Tr ( R ) : trace de la matrice R
λj : la jième valeur propre de la matrice de corrélation R

Λ : matrice diagonale des valeurs propres

ρ ( Z k , F j ) : corrélation entre Zk et F j
cov( Z k , F j ) : covariance entre Z k et F j

Vcp : matrice de covariance des composantes principales

CTU i Fj : contribution de l’individu Ui à la formation de l’axe F j

x (t ) : un signal quelconque

X(f ) : transformée de Fourier

Te : période d’échantillonnage

F (µ, f ) : transformée de Fourier à fenêtre glissante

Ga (µ, f ) : transformation de Gabor

ψ (t ) : une ondelette quelconque

φ (ω) : transformée de Fourier d’une ondelette

s : facteur d’échelle

b : facteur de décalage temporel

ψ s ,b (t ) : ondelette obtenue par dilatation et décalage

ψ s*,b (t ) : complexe conjugué de ψ s ,b (t )

Cs,b : coefficients de la transformée en ondelette à l’échelle s et à la position b

 LISTE DES FIGURES
Figure1.1 : variation de la quantité maximum de vapeur d’eau contenu
5
dans l’air en fonction de la température……………….…………………………
Figure 1.2 : nuages convectives…………………………….…….…………………………… 6

Figure 1.3 : nuage orographique…………………………….………..……..………………… 6

Figure 1.4 : illustration de l’effet Bergeron………………….………………….…………….. 8

Figure 2.1 : schématisation de l’espace des variables centrées réduites………….………… 14

Figure 2.2 : schématisation de l’espace des individus…………………………..….……….. 14

Figure 2.3 : illustration du principe de l’ACP………………………………………………… 15

Figure 2.4 : projection orthogonale de Ui sur Fj……………………….……..………………….. 16

Figure 2.5 : signal continue (à gauche) et signal échantillonné (à droite)……………….….. 25

Figure 2.6 : exemple d’ondelette………………………………..………………………….…. 27

Figure 2.7 : ondelette de Haar……………………………………..………………….………. 28

Figure2.8 : ondelette de Daubechies…………………………………..………………..……. 28

Figure2.9 : ondelette de Symlets………………………….………….………………………. 29

Figure 2.10 : ondelette de Meyer……………………….……………………………………… 29

Figure 2.11 : ondelette chapeau mexicain………………..…………………………………… 29

Figure 2.12 : dilatation d’une sinusoïde……………………………………….……………… 30

Figure2.13 : dilatation d’une ondelette………………………..…………….………………… 30

Figure2.14 : décalage d’une ondelette…………………………..…………………………….. 31

Figure 2.15 : le signal à analyser f (t ) et l’ondelette mère ψ s ,b (t ) ……………………….…… 32

Figure 2.16 : multiplication de f(t) par l’ondelette mère et la mesure du coefficient………... 32

Figure 2.17 : illustration de l’interprétation des coefficients Cs,b ………………………..…… 33

Figure 3.1 : localisation de la zone d’étude…………………………………..………………. 35

Figure 3.2 : correspondance entre les individus et leur nom………………………………… 37

Figure 3.3 : éboulis des valeurs propres…………………………….………………………... 43

Figure 3.4 : représentations des variables dans chaque plan factoriel……………..…..…… 46

Figure 3.5 : projection des individus dans le plan F1-F2……………………………………. 49

Figure 3.6 : projection des individus dans le plan F1-F3……………………………………. 51

Figure 3.7 : projection des individus dans le plan F2-F3……………………………………. 53

Figure 3.8 : représentation des individus après l’ACP………………………………………. 54

Figure 3.9 : répartition des régions pluviométriquement homogènes………………………………… 55

Figure 3.10 : variation mensuelle de la pluie de 1979 en 2004 dans la région I…….………. 56

Figure 3.11 : transformation de Fourier rapide du signal pluviométrique de la région I……. 56

Figure 3.12 : transformée en ondelette continue du signal pluviométrique
de la région I et localisation temporelle du phénomène de période 12 mois…… 57
Figure 3.13 : variation mensuelle de la pluie de 1979 à 2004 dans la région II…………….. 58

Figure 3.14 : transformée rapide de Fourier du signal pluviométrique de la région II………. 58

Figure 3.15 : transformation en ondelette continue du signal pluviométrique
de la région II et localisation temporelle de des régimes de pluies……………… 60
Figure 3.16 : variation temporelle de la pluie de 1979 à 2004 de la région III………...……. 60

Figure 3.17 : transformée de Fourier du signal pluviométrique de la région III………...…… 61

Figure 3.18 : transformation en ondelette continue du signal pluviométrique
de la région III et localisation temporelle de des régimes de pluies……………… 62
Figure 3.19 : variation mensuelle de la pluie de 1979 à 2004 dans la région IV…………… 62

Figure 3.20 : transformée de Fourier du signal pluviométrique de la région IV………….….. 63

Figure 3.21 : transformation en ondelette continue du signal pluviométrique
de la région IV et localisation temporelle de des régimes de pluies……………… 64
 LISTE DES TABLEAUX
Tableau 3.1 : données initiales pour l’ACP…………………………………………..………. 38

Tableau 3.2 : données centrées réduites……………………………………………….….…... 40

Tableau 3.3 : résultats des calculs statistiques préliminaires pour les variables………..…….. 41

Tableau 3.4 : matrice de corrélation entre variables………………………………….….…… 42

Tableau 3.5 : valeurs propres de la matrice de corrélation et variances expliquées…………. 43

Tableau 3.6 : coordonnées et contributions des variables…………………………..………… 44

Tableau 3.7 : coordonnées et contributions des individus…………………………….……… 45

Tableau 3.8 : coordonnées et qualité de représentation des individus dans le plan F1-F2….... 48

Tableau 3.9 : coordonnées et qualité de représentation des individus dans le plan F1-F3….... 50

Tableau 3.10 : coordonnées et qualité de représentation des individus dans le plan F2-F2….... 52
 Introduction générale
Madagascar, s’étendant sur une longueur de 1 650 kilomètres du 12e au 25e degré de
latitude sud, est incluse presque entièrement dans la zone tropicale. Elle est soumise à trois
principaux régimes de vents à savoir [1] :
− l’Alizé de Sud Est, engendré par l’anticyclone des Mascareignes et qui vient
heurter l’ile le long de la côte Est pendant l’hiver austral ;
− la mousson de Nord-Ouest, occasionnée par les basses pressions équatoriales
situées au Nord de Madagascar, souffle pendant l’été austral ;
− et les vents subtropicaux de Sud-Ouest.
Son climat tropical est gouverné par deux saisons : une saison sèche (du mois d’avril au
mois d’octobre) et une saison de pluie (du mois de novembre au mois de mars).
De par ces régimes de vents, sa position géographique, la forme du relief et l’influence
maritime, Madagascar peut être divisée en quatre régions climatiques :
− la région perhumide qui correspond à la fois au versant oriental de l’ile entre Antalaha
au Nord et Taolagnaro au Sud et à la partie sommitale de la montagne d’Ambre ainsi qu’à la
région de Nosy Be et Sambirano au Nord-Ouest ;
− la région humide à climat d'altitude qui rassemble les hautes terres centrales, à la
régionAlaotra-Mangoro, aux contreforts de la montagne d’Ambre. Les grands massifs de
Tsaratanana, d’Ankaratra et d’Andringitra sont caractérisés par le climat d’altitude ;
− la région subhumide à semi-aride : elle comprend, à l'Ouest, la bordure occidentale des
hauts plateaux centraux, au Nord-ouest, le bassin sédimentaire de Mahajanga et à l'extrême
Nord de l'île, la région d'Antsiranana ;
− la région semi-aride quant à elle, correspond au du bassin de Morondava au Sud-ouest
et s’étend jusqu’au plateau de l'Ihorombe. Les massifs de l'Isalo et de l'Analavelona se
rattachent à la fois au climat subhumideet au climat humide ;
− la région sèche ou aride qui se rapporte aux avancées les plus méridionales du socle et
terrains sédimentaires du plateau Mahafaly et la zone côtière entre Morombe et Ambovombe.
Par rapport à ces régions climatiques et aux éléments du climat (la pression atmosphérique,
la température, le vent, ...), la pluviosité est une caractéristique qui différencie au mieux les
saisons et les climats.
Par ailleurs, pour bon nombre de Malgaches, la pluie occupe une place prépondérante dans
la vie quotidienne. Elle est à l’origine de toute eau douce disponible et dans certaines zones
comme dans la partie sud de l’ile, elle devient souvent une question de vie ou de mort.

Mémoire de RAFENOMANANJARA Nomena Barisata 1

 Son excès ou son absence apporte également la mort et la désolation. La pluie entraîne
également des conséquences régionales sur d’autres facteurs économiques importants, entre
autres, les routes. N’étant pas goudronnées dans la plupart des cas, elles deviennent
rapidement impraticables en saison de pluie.
C’est dans cette optique qu’on a décidé d’étudier la pluviométrie qui mérite d’être
examinée. Un travail en cours consiste à déterminer les jours de début et de fin de la période
de pluie à Madagascar, le nombre de jours pluvieux ainsi que le déplacement du phénomène
dans une région déterminée.
Mais pour ma part, j’ai considéré l’évolution de la pluviométrie dans la région aride, le
sud-ouest et le sud de Madagascar, depuis 1979 jusqu’en 2004. La connaissance des champs
pluviométriques journaliers, mensuels ou annuels et le discernement des régimes de pluies
dominants apparaissent importants dans une telle zone où la gestion de l'eau devient un
exercice permanent d'aménagement de la pénurie.
Alors pour se faire, ce travail est segmenté en quatre grandes parties.
Dans la première partie, nous allons rappeler le phénomène de précipitations sans entrer
dans les détails.
Dans la deuxième partie, nous exposerons la méthodologie adoptée. Dans un premier
temps, on se propose de déterminer les régions pluviométriquement homogènes par l’Analyse
en Composantes Principales. Cela nous donnera une meilleure connaissance des disponibilités
en eau dans la zone d’étude. En second lieu, pour chaque région obtenue, on va mettre en
évidence les régimes de pluies dominants par l’utilisation de l’analyse spectrale telle que la
transformation de Fourier rapide. En dernier lieu, on complétera l’analyse spectrale par
l’application de la transformée en ondelette continue afin de localiser temporellement les
apparitions de ces régimes.
Les résultats de l’application de ces outils seront exposés dans la troisième partie tout en
présentant brièvement la zone d’étude et les données utilisées.
En conclusion, nous établirons une synthèse des analyses effectuées et des résultats
obtenus.

Mémoire de RAFENOMANANJARA Nomena Barisata 2

Mémoire de RAFENOMANANJARA Nomena Barisata 3
 I-1- Généralités sur la pluie

La pluie est une des formes de précipitations. Elle atteint le sol sous forme de gouttelettes
d'eau liquide dont le diamètre varie entre 0,2 mm et 10 mm (1 cm). La pluie se développe
souvent à partir des nuages dont la température de sa partie supérieure est parfois inférieure à
0 °C.

I-2- Processus de formation des précipitations

En météorologie, la précipitation comprend toutes formes d’humidité tombant de

l’atmosphère à la surface de la terre. Elle peut prendre les formes suivantes (parfois
mélangées) :
− sous forme liquide comme la pluie, la bruine ;
− sous forme solide comme la neige, le grésil, la grêle et les cristaux de glace.
Pour comprendre les phénomènes de précipitations, on va procéder en trois étapes
successives.

I-2-1- Source d’humidité de l’air atmosphérique

L’humidité atmosphérique provient surtout de l’évaporation des étendues d’eau et de la

transpiration des végétaux. Les grandes étendues d’eau relativement chaudes et les zones de
végétation luxuriante constituent d’excellentes sources d’humidité, tandis que les régions
froides et désertiques sont très pauvres fournisseurs d’humidité.
L’eau contenue dans l’atmosphère peut se présenter sous trois formes distinctes :
− de la vapeur qui entre dans la composition du mélange de gaz constituant
l’atmosphère ;
− des particules liquides sous formes de gouttelettes en suspension dans l’air ;
− des particules solides de cristaux de glace en suspension aussi.
L’étude de la vapeur d’eau a son importance pour connaitre l’équilibre de l’atmosphère
parce que sa teneur ne peut pas être quelconque. Elle se trouve déterminée par des paramètres
tels que la température et la pression totale du mélange. La figure 1.1 indique la variation de
la masse de vapeur d’eau (exprimée en g/m3) contenue dans l’air en fonction de la
température (exprimé en °C) [2].

Mémoire de RAFENOMANANJARA Nomena Barisata 4

 figure 1.1 : variation de la quantité maximale de vapeur d’eau
contenue dans l’air en fonction de la température
I-2-2- La formation des nuages

Selon le Glossaire de météorologie (Glickman 2000), un nuage est un ensemble visible de

petites gouttelettes d’eau et/ou de petits cristaux de glace en suspension dans l’atmosphère.
La formation d’un nuage nécessite la saturation en vapeur d’eau d’une masse d’air humide.
Pour la plupart des nuages, une détente adiabatique intervient au cours de l’ascension dans
l’atmosphère de la masse d’air humide initialement non saturé.
Il existe plusieurs processus dans la formation d’un nuage.

I-2-1-1- Les nuages dus aux phénomènes de convection

Le rayonnement solaire diurne entraîne un réchauffement progressif des couches d'air en

contact avec le sol. Sachant que la densité de l’air dépend de sa température, l’air chaud
(moins dense) s’élève et l’air froid (plus dense) a tendance à descendre. Ce phénomène
s’appelle la convection thermique.
Elle constitue l’un des processus qui permettent la formation des nuages. Au niveau du sol,
lorsque le soleil brille, l’air qui contient de la vapeur d’eau, se réchauffe. Il commence à
s’élever puis se refroidir. Un nuage se forme lorsque l’air humide subit une baisse de
température jusqu’au seuil critique : la vapeur d’eau se condense alors sur de toutes particules
qui flottent dans l’air, et forme ainsi des nuages.

Mémoire de RAFENOMANANJARA Nomena Barisata 5

 figure 1.2 : nuages convectives

I-2-1-2-Les nuages dus au relief

Les nuages peuvent aussi se former grâce à la topographie de la Terre ; par exemple grâce
aux collines ou aux montagnes. De tels nuages s’appellent « nuages orographiques ». Soufflé
par le vent, l’air est obligé de passer par-dessus une montagne, et lorsqu’il s’élève, il se
refroidit. Si sa température baisse jusqu’à son point de condensation, la vapeur d’eau
contenue dans l’air se liquéfiera et se transforme donc en nuage.

figure 1.3 : nuage orographique

I-2-1-3- Les nuages dus à la rencontre de deux masses d’air

Le terme de « masse d'air », utilisé en météorologie, désigne une portion importante de la

troposphère dont les dimensions horizontales peuvent atteindre des milliers de kilomètres et
qui possède des caractéristiques physiques et une structure suffisamment homogène, en
particulier au point de vue thermique, pour pouvoir être identifiée et suivie pendant plusieurs
jours, voire plusieurs semaines.
Il n'y a pas que le relief qui oblige l'air à s'élever : la rencontre d’une masse d’air froid et
d’une masse d’air chaud (moins dense) force ce dernier à monter en altitude, donc à se
refroidir. Des nuages peuvent alors se former. La frontière entre l'air chaud et l'air froid est
appelée "front".

Mémoire de RAFENOMANANJARA Nomena Barisata 6

 I-2-3- Le développement des précipitations

La formation d’une gouttelette de pluie nécessite la présence de microparticules en

suspension dans l’air qui font office de noyau de condensation. Dans la basse couche de la
troposphère, ces noyaux sont constitués d’impuretés solides d’origine naturelle comme les
poussières, les grains de sable, le pollen ou les cristaux de sel marins. Ces microparticules en
suspension dans l’air, appelés aérosols, sont transportés par le vent.
Les gouttelettes élémentaires formées par condensation ont de très faible dimensions.
Deux mécanismes permettent le changement d'échelle indispensable pour que puissent se
former, dans la masse nuageuse où les vitesses de chute des microgouttelettes sont
négligeables, des éléments de dimension suffisante susceptibles de précipiter.
I-2-3-1- Mécanisme de Bergeron
Le mécanisme de Bergeron présente un processus de microphysique des nuages, décrit par
Tor Bergeron en 1933. Il explique la croissance des cristaux de glace dans les nuages à des
températures sous le point de congélation. Lorsque, au cours de son développement vertical,
le nuage atteint des températures négatives, des microgouttelettes deviennent en état de
surfusion; la fréquence d'apparition de la phase glace croît quand la température s'abaisse.
C'est alors qu'interviennent des mécanismes extrêmement rapides de transfert par
l'intermédiaire de la phase vapeur entre les gouttelettes en surfusion du nuage et les cristaux
qui ont fait leur apparition car, pour une même température négative ambiante, la tension de
vapeur de l'eau en surfusion est toujours supérieure à celle régnant au-dessus de la phase
glace. Une véritable distillation intervient au bénéfice des cristaux ; ces derniers prennent
rapidement des dimensions telles que leur vitesse de chute devient non négligeable. Ils
descendent alors en croissant, à la fois par transferts de vapeur d'eau et par capture mécanique
des gouttelettes (phénomène de coalescence) qui peuvent geler rapidement à leur contact. Les
cristaux de neige qui se forment ainsi s'agglutinent en flocons et atteignent le sol, si les
températures restent négatives jusqu'à ce niveau. Si les températures au sol et dans les
couches inférieures de l'atmosphère sont positives, le flocon de neige commence à fondre en
traversant l'isotherme 0 0C. En cours de chute, il continue sa fusion et se transforme ainsi en
goutte de pluie.

Mémoire de RAFENOMANANJARA Nomena Barisata 7

 Figure 1.4 : illustration de l’effet Bergeron
Photo d’un cristal de 400 µ m de diamètre entouré de microscopiques gouttelettes d’eau
surfondues. Le cristal se développe par déposition de vapeur issue de la vaporisation des
gouttelettes environnant le cristal (d’après Pruppacher et Klett, 1997)

I-2-3-2- Précipitations des nuages chauds

Ce mécanisme, analogue à celui de Bergeron, est responsable des pluies abondantes

provenant des nuages convectifs dans les régions intertropicales. Il a été proposé par Henri
Dessens en 1947 en mettant en évidence la présence d’aérosols formés de chlorure de sodium
dans l'atmosphère, et pouvant atteindre des dimensions de l'ordre du micromètre. Ces
particules salines, provenant de la dessiccation des microgouttelettes d'embruns arrachés à la
mer, se rencontrent effectivement dans les masses d'air maritime, même à grande distance des
côtes au-dessus des continents.
Sur ces noyaux hygroscopiques, la condensation amènera la déliquescence, puis la
dissolution de la particule de sel. Il y a donc des gouttelettes formées sur des aérosols
ordinaires, et celles dont la concentration en sels hygroscopiques est suffisante pour abaisser à
leur surface la tension de vapeur. Les autres éléments du nuage, constitués d'eau pratiquement
pure, resteront en équilibre avec la tension de vapeur correspondant à la température
ambiante. Alors il y aura des transferts en phase vapeur qui, comme pour le mécanisme
précédent, se traduiront par la distillation des gouttelettes ordinaires au bénéfice des éléments
formés sur les noyaux hygroscopiques. Toutefois, à la différence de ce qui se passe pour un
cristal de glace dont la croissance par transfert de vapeur est continue, le noyau hygroscopique
n'offre qu'une réserve limitée de sel, et, lorsque la dilution dans la gouttelette devient trop
importante, la différence de tension de vapeur entre eau pure et solution devient négligeable et
le grossissement de la goutte s'arrête. L'essentiel est que, dans un temps raisonnable, cet
élément hétérogène du nuage ait atteint un diamètre suffisant (quelques dizaines de
micromètres) pour que sa vitesse de chute devienne notable par rapport à celle des autres
éléments, et que commencent alors les captures par collision (phénomène de coalescence).

Mémoire de RAFENOMANANJARA Nomena Barisata 8

Mémoire de RAFENOMANANJARA Nomena Barisata 9
 Introduction

Notre objectif consiste à dégager les caractéristiques de l’évolution spatiotemporelle de la

pluviométrie dans la partie aride de Madagascar. Avant de passer par l’analyse spectrale pour
la détection des régimes de pluies dominantes, il semble plus logique de procéder au zonage
de notre site d’étude par rapport à la pluie. Pour cela, on a donc choisi d’utiliser l’analyse en
composantes principales.
Dans la suite, nous allons présenter cette méthode en détaillant sa formulation
mathématique.

II-1-L’analyse en composantes principales [3] [4]

II-1-1-Présentation générale

L’analyse en composantes principales - que nous notons par la suite ACP- fait partie d’un
groupe de méthodes d’analyse de données. Dans la mesure où c’est une étude statistique
essentiellement descriptive, elle dépend d’un modèle géométrique. En effet, l’ACP propose, à
partir d’un tableau rectangulaire de données comportant p variables quantitatives (avec p
suffisamment grand) pour n individus, de représenter et de résumer, sous forme graphique, le
maximum d’informations contenues dans ce tableau. Ces données peuvent provenir d’une
procédure d’échantillonnage ou bien de l’observation d’une population toute entière.
A partir de ces représentations,
− pour les individus : on peut voir s’il existe une structure, non connue à priori, sur cet
ensemble d’individus. Autrement dit on cherche à distinguer, dans l’ensemble des
individus, des groupes qui se ressemblent ou qui se différencient des autres ;
− pour les variables : de façon analogue, on peut étudier les structures de leurs liaisons
linéaires. On prospecte celles qui présentent une forte corrélation ou, au contraire,
celles qui n’en ont aucune avec les autres.
Alors pour ce faire, l’ACP réduit le nombre de variables initiales à analyser en créant q
nouvelles variables synthétiques (  ), appelées axes principales ou facteurs, par
combinaison linéaire des p variables initiales.
II-1-2-Tableau de données initiales

Les données utilisées en ACP sont les mesures effectuées sur n individus
{U 1 ,U 2 ,...U i ,...U n } Les p variables quantitatives qui représentent ces mesures sont

{X , X
1 2 ,... X j ,... X p } .

Mémoire de RAFENOMANANJARA Nomena Barisata 10

 Le tableau de données brutes à partir duquel on va faire l’analyse est noté X et a la forme
suivante :
X1 X2 .. Xj .. Xp
U1  x11 x12 ... x1 j ... x1 p 
 
U 2  x21 x22 ... x2 j ... x2 p 
.  . . ... . ... . 
X= 
U i  xij xi2 ... xij ... xip 
.  . . ... . ... . 

U n  xin xn2 ... xnj ... xnp 


Le libellé des colonnes concerne les variables et celui des lignes est les individus. Ainsi
 représente la valeur prise par la variable n°j pour le ième individu.
II-1-3-Nuage de points individus et nuage des points variables

On représente chaque individu par le vecteur de ses mesures sur les p variables :

t  
W i = U i =  xi1 xi2 ... xij ... xip 

ce qui donne :
 xi1 
 
 xi2 
 
  . 
Wi =  
x
 ij 
 . 
 
 xip 

Alors un individu peut être défini par p coordonnées dans l’espace ℝ p appelé espace des
variables. L'ensemble des n individus noté   …  forme alors un «nuage de points

individus » dans ℝ p et Wi est un vecteur de ℝ p .

En faisant de même dans ℝ n , chaque variable pourra être représentée par un point dans
l’espace ℝ n dénommé espace des individus. L’ensemble des points relatifs aux variables
forme le « nuage des points variables ». Les composantes de la jème variable sont :

Mémoire de RAFENOMANANJARA Nomena Barisata 11

  x1 j 
 
 x2 j 
 
  . 
Xj = 
 xij 
 . 
 
 xnj 
 

X j est un vecteur de ℝ n .

II-1-4-Caractéristique des nuages de points

Les caractéristiques des nuages de points utiles dans la réalisation de l’ACP se trouvent
dans l’annexe A.

II-1-5-Formalisation mathématique de l’ACP

II-1-5-1- Schématisation de l’objectif de l’ACP

Matrice de données initiales Matrice réduite

X1 X2 ... XJ ... XP F1 Fj Fq


U 1  x11 x12 ... x1 j ... x1 p 
 U 1  f11 . f1q 

U 2  x21 x22 ... x2 j ... x2 p  U 2  f 21 . f 2q 
   . 
.  . . ... . ... .  ACP .  . ...
X=  F=
U i  fi1 f iq 
U i  xi1 xi2 ... xij ... xip  
fij

.  . . ... . ... .  .  . ... . 
U n  x xn2 ... xnj ... xnp 
 Un  f
 n1 .

f nq 

n1 

Comme il était dit dans la présentation générale, l’objectif de l’ACP vise à obtenir une
représentation approchée du nuage de points des individus dans un sous-espace de dimension
(q) plus faible. En général, on cherche les représentations planes les plus représentatives du
nuage initial. Ceci s’effectue par projection orthogonale.
Or comme la projection raccourcit les distances, et qu’on veut déformer le moins possible
les distances en projection, on cherche à maximiser l’inertie du nuage projeté sur le sous-
espace.

Mémoire de RAFENOMANANJARA Nomena Barisata 12

 II-1-5-2- Centrage et réduction des variables
Dans la plupart des cas d’analyse de données, les variables sont de natures différentes.
Donc elles ne sont pas directement comparables. Et pour des raisons mathématiques de
simplification, on transforme la matrice X en une matrice Z de variables centrées réduites qui
conserve la même information.
Z1 Z2 ... Zj ... Zp

U 1  z11 z12 ... z1 j ... z1 p 


U 2  z21 z22 ... z2 j ... z2 p 
.  . . ... . ... . 

Z=
U i  zi1 zi2 ... zij ... zip 
 
.  . . ... . ... . 
U n  zn1 zn2 ... znj ... znp 

 

xij − x j
avec zij = la variable centrée réduite où :
σ (xj )
1 n
n∑
xj = xij est la moyenne arithmétique de la variable Xj
i =1

σ ( xj ) = ∑ ( xij − x j )
2
1 n
est l’écart type de la variable Xj.
n i =1

Il est à remarquer que :

− le centrage et la réduction de données n’influent pas sur la ressemblance des
individus ;
− la moyenne des variables centrées réduites est nulle et leurs écarts types valent 1.
II-1-5-3- Schématisation de l’espace des variables Zj
Plaçons-nous dans l’espace ℝ p des variables qui contient le nuage des n points individus
Ui , i = 1...n . Soit le système de p axes orthonormés avec les vecteurs de base orthonormés

( )
  
e1, e2 ,..., e p . On peut schématiser cet espace de la façon suivante :

Mémoire de RAFENOMANANJARA Nomena Barisata 13

 Figure 2.1 : schématisation de l’espace des variables centrées réduites

Puisqu’on utilise des variables centrées réduites, le centre de gravité G du nuage de points
variables coïncide avec l’origine des axes.
II-1-5-4- Schématisation de l’espace des individus Ui

Dans l’espace ℝ des individus se trouve les p variables Z j , j = 1... p . Avec un système
n

( )
  
, , ,
d’axes orthonormés e1 , e2 ,..., en , on peut schématiser cet espace comme suit :

Figure 2.2 : schématisation de l’espace des individus

Mémoire de RAFENOMANANJARA Nomena Barisata 14

 p
II-1-5-5- Ecriture des composantes principales dans ℝ
Pour atteindre notre objectif, on effectue dans ℝ p un changement de base de telle sorte que
les variances des projections orthogonales (les coordonnées) sur les nouveaux axes (appelés
axes principaux) rassemblent une part significative de la variance totale à partir des deux ou
trois premiers axes.
On appelle composantes principales, les projections orthogonales (coordonnées) des
individus sur les nouveaux axes qui deviennent les axes principaux ou facteurs.
On illustre ce principe de la façon suivante :

changement de base

Système orthonormé d’axes principaux Fj,

de même origine que l’espace des
variables initiales et de vecteurs de base

( )
  
b1 , b2 ,..., b p tel que la variance des n

individus sur F1, F2,..Fq représente plus de

80% de la variance totale.

Figure 2.3 : illustration du principe de l’ACP

Mémoire de RAFENOMANANJARA Nomena Barisata 15

 Ce changement de base nous permet de lire l’information contenue dans le tableau de
données de départ en utilisant un espace restreint à 2 ou 3 dimensions par exemple.
Alors on remplace la matrice des données centrées réduites Z par une nouvelle matrice F.
Z1 Z2 ... Zj ... Z p F1 F2 ... Fj ... Fp

U 1  z11 z12 ... z1 j ... z1 p 


U 1  f11 f12 ... f1 j ... f1 p 

U 2  z21 z22 ... z2 j ... z2 p  changement de U 2  f 21 f 22 ... f 2 j ... f2 p 
.  . . ... . ... . 
 base .  . . ... . ... . 

Z= F=
U i  zi1 zi2 ... zij ... zip  U i  fi1 fi2 ... fij ... fip 
   
.  . . ... . ... .  .  . . ... . ... . 
U n  zn1 zn2 ... znj ... znp 
 U n  f n1 f n2 ... f nj ... 
f np 
   

II-1-5-5-a- Produit scalaire

Supposons que, dans l’espace des variables de départ, on connait les coordonnées du

vecteur b j . La projection orthogonale fij d’un individu Ui sur l’axe principal Fj engendré
  
par b j est donnée par le produit scalaire de b j et de GU i . G étant à la fois l’origine des axes
et le centre de gravité du nuage des points individus.

Figure 2.4 : projection orthogonale de Ui sur Fj

b1 j   f1 j 
   
⋯  ⋯ 
       
En notant b j =  bij  et F j =  f ij  , la projection orthogonale s’écrit : f ij = GU i ib j .
⋯  ⋯ 
   
bpj   f pj 

Mémoire de RAFENOMANANJARA Nomena Barisata 16

 L’ensemble des projections orthogonales des n points individus sur l’axe Fj constitue les

éléments du vecteur F j . On a :
 
Fj = Z ⋅ b j
( n×1) ( n× p ) ( p×1)

En faisant varier j de 1 à p, on obtient l’ensemble des projections orthogonales de tous les n

points individus sur tous les axes principaux. Les composantes principales sont éléments de la
matrice F :
F = Z . B
( n× p ) ( n× p ) ( p× p )

   

b1 b2 ⋯ bj ⋯ bp
 b11 b12 ... b1 j ... b1 p 
 
 b21 b22 ... b2 j ... b2 p 
 
 . . ... . ... . 
avec B =  la matrice de changement de base de
b bi2 ... b jj ... b jp 
 i1  l’ancien système d’axe vers le nouveau.
 . . ... . ... . 
 
b p1 b p2 ... b pj ... b pp 
 
II-1-5-5-b- Détermination des composantes principales
Pour connaitre les éléments de la matrice F, il faut calculer ceux de la matrice B. Pour cela,
considérons la jième axe principal Fj = Z ibj et déterminons ses caractéristiques.

i/- Calcul de la moyenne des composantes principales

Soit f j cette moyenne. Elle est donnée par :

1 n 1 n 1 n
n∑ ∑ ∑
fj = f ij = z b
i1 1 j + ⋯ + zinbnj
i =1 n i =1 n i =1
1 n
 1 n

= b1 j  ∑ zi1  + ⋯ + bnj 
n i =1 

∑ zin 
 n i =1 
 
z1 =0 zn = 0

⇒ fj =0
Toutes les composantes principales sont à priori centrées. Les axes principaux ont pour
origine le centre de gravité G du nuage des points individus de départ.

Mémoire de RAFENOMANANJARA Nomena Barisata 17

 ii/- Calcul de la variance des composantes principales
En notant var  F j  cette variance, on a :
n n
1 1 1
var  F j  = ∑ ( f ij − f j )2 = ∑ f ij2 = t F j ⋅ Fj
n i =1 n i =1 n

=
1t
n
( 1
n
( )
Zb j )( Zb j ) = tb j t Z ( Zb j ) = tb j  t ZZ  b j
1
n


1t
L’expression ZZ représente la matrice de corrélation linéaire des variables
n
Z j , j = 1... p de la matrice Z. En notant R la matrice de corrélation, la variance devient :

var  Fj  = tbj Rb j
Selon l’écriture des composantes principales, avec au maximum 3 axes principaux, on
espère expliquer une part significative de la variance totale du nuage des points individus.
Cela revient donc à maximiser la variance d’une composante principale Fj sachant que le

nouveau vecteur de base b j de l’axe Fj est un vecteur normé.

Le problème à résoudre est alors de trouver bj tel que :

 var  F j  = t b j Rb j soit maximum

  
t
 b j b j = 1

C’est un problème de recherche d’un optimum d’une fonction de plusieurs variables liée
par une contrainte. La méthode des multiplicateurs de Lagrange peut être utilisée pour la
résolution de ce système (annexe B).

Dans la recherche de bj , il faut calculer les dérivées partielles de :

g( b j ) = g( b1 j ,b2 j ,...,bpj ) = tb j Rb j − λ j ( tb j b j − 1 )
En utilisant la dérivée matricielle (annexe C), on obtient un nouveau système à résoudre :
 Rb j − λ j b j = 0 (1)
t
 b j b j − 1 = 0 (2)

De l’équation matricielle (1), on déduit que bj est vecteur propre normé de la matrice R

associée à la valeur propre λ j .

En multipliant l’équation (1) à gauche par tb j , membre à membre, on obtient :

Mémoire de RAFENOMANANJARA Nomena Barisata 18

 t
b j Rb j − λ j t b j b j = 0
Et en utilisant l’équation (2), on trouve :
t
b j Rb j = λ j
Le membre de gauche est la variance qui doit être maximale.

⇒ var  Fj  = λ j

En définitive, la solution du problème résulte du calcul du vecteur propre normé qui

correspond à la plus forte valeur propre de la matrice R. Comme cette dernière est carrée et
symétrique de dimension p, il existe p valeurs propres distinctes. On disposera aussi donc de p
vecteurs propres normés.
En classant les valeurs propres par ordre décroissant et en affectant à chacune des ces
valeurs propres le vecteur propre normé correspondant, on construit ainsi la matrice B du
changement de base qui a ses coordonnées dans l’espace d’origine.
II-1-5-6- Caractéristiques des axes principaux
Considérons la matrice B obtenue précédemment :
λ1
λp
   
b1 b2 ⋯ bj ⋯ bp

 b11 b12 ... b1 j ... b1 p 

 
 b21 b22 ... b2 j ... b2 p 
 . . ... . ... . 
B=
 bi1 bi2 ... bij ... bip 
 
 . . ... . ... . 
bp1 bp2 ... bpj ... bpp 

Puisque les vecteurs colonnes de B sont orthonormés deux à deux, B est donc une matrice
orthogonale. Elle vérifie la propriété suivante :
t
BB = B t B = I
où I est la matrice identité.

En utilisant cette propriété dans l’expression de la variance var  Fj  = b j Rb j = λ j et en

t

variant j de 1 à p, on a l’expression matricielle :

t
BRB = Λ

Mémoire de RAFENOMANANJARA Nomena Barisata 19

  λ1 … 0 
  la matrice diagonale des valeurs propres rangées par
avec Λ =  ⋮ λ j ⋮ 
0 ⋯ λ  ordre décroissant.
 p

Et puisque B est une matrice orthogonale, la trace de la matrice de corrélation R est égale à
la trace de la matrice Λ . C’est à dire :
p
1 + 1 + ... + 1 = p = ∑ λ p
j =1

Donc on peut calculer le pourcentage de variance totale donnée par chaque axe principal
par :
λj
×100
p
et de déterminer si avec un nombre restreint d’axes, on peut lire l’information donnée par
le nuage de points individus.
II-1-5-7- Représentation des variables
On peut envisager le problème de la représentation des variables de façon complètement
symétrique de celle des individus. Le raisonnement se fait dans ℝ n au lieu de ℝ p .
Soit C la matrice de changement de base dans ℝ n d’élément cki tel que :
   
c1 c2 ⋯ ci ⋯ cp
 c11 c12 ... c1i ... c1 p 
 
 c21 c22 ... c2i ... c2 p 
 . . ... . ... . 
C=
ck 1 ck 2 ... cki ... ckp 
 
 . . ... . ... . 
c cn2 ... cni ... cnp 
 n1

  

avec ( c1 , c2 ,..., c p ) les vecteurs de base orthonormé du nouveau système.

En appliquant la méthode précédente dans ℝ p , Z t Z (notée W par la suite) donne la

matrice de dispersion des individus. On pourra la diagonaliser, chercher les vecteurs propres
normés et, par le produit scalaire, déterminer les projections orthogonales des p variables sur
les axes principaux. Mais l’ACP toutes autres analyses de données ne sont pas nécessitent pas

Mémoire de RAFENOMANANJARA Nomena Barisata 20

ces calculs. On peut trouver les valeurs propres et les vecteurs propres de W à l’aide de la
formule de transition suivante :
1
ci = Zb j
nλ j

Cette relation indique que connaissant bj et λ j , le vecteur propre normé ci associé à la

valeur propre (nλ j ) de la matrice W peut se calculer.

En écrivant, sous forme matricielle, la formule de transition, on obtient :

1
C = Z B Λ −1 2
( n× p ) n × p ) ( p× p ) ( p × p )
( n

Notons φ la matrice contenant les composantes principales (coordonnées des anciens

variables dans la nouvelle base). Elle vaut:
φ = tC Z
( p× p ) ( p×n ) ( n× p )

Grace à la formule de transition, on peut montrer que :

φ = Λ1 2 B
Remarques
Dans l’écriture des composantes principales dans ℝ p , on a représenté les individus dans
l’espace des anciennes variables puis on a effectué un changement de base. Les nouvelles
variables (composantes principales) s’obtiennent par combinaisons linéaires des anciennes.
On peut alors décrire ces nouvelles variables par leurs corrélations avec les variables initiales.
La corrélation entre une composante principale Fj et une variable initiale Zk s’écrit :

cov( F j , Z k )
ρ (Fj , Zk ) =
σ ( F j )σ ( Z k )

avec σ (Zk ) = 1
2
σ ( F j ) =  var( F j )  = λ 2j .

Déterminons cov( Fj , Z k ) :

1t t
cov( F j , Z k ) = b j ZZ k où Zk étant la kième colonne de la matrice Z.
n
Zk peut se mettre sous la forme :

Mémoire de RAFENOMANANJARA Nomena Barisata 21

 0  0
   
0  0
⋮  ⋮ 
Zk = Z   avec  
matrice colonne à p lignes dont la valeur 1 se
1  1 trouve sur la kième ligne.
⋮  ⋮ 
   
0  0
Alors on a :

0  0  0 
     
0  0  0 
1 ⋮  ⋮  ⋮ 
cov( F j , Z k ) = t b j t ZZ   = t b j R   = λ j t b j   = λ j bkj
n 1 1 1
⋮  ⋮  ⋮ 
     
0  0  0 

où bkj est la k ième coordonnée du vecteur directeur b j de l’axe Fj .

Finalement,
λ j bkj
ρ (Fj , Zk ) = = λ j bkj
λj
En variant k et j, on aboutit à la matrice de corrélation entre les composantes principales et
toutes les variables initiales. Cette matrice est identique à φ .

( )
Comme on a toujours ρ 2 ( Fj , Z k ) + ρ 2 F j ' , Z k ≤ 1 (annexe D), on obtient des points à

l’intérieur d’un cercle de rayon 1 appelé « cercle de corrélation ».

II-1-6- Interprétation des résultats de l’ACP

II-1-6-1- Choix du nombre d’axes principaux à retenir [5]

Comme l’ACP vise à représenter et à résumer, sous forme graphique, le maximum
d’informations contenues dans un tableau de données, le choix du nombre d’axe à retenir est
un point essentiel même si on ne dispose pas de solution rigoureuse.
La solution la plus connue consiste à appliquer le critère empirique de Kaiser : en centrant
et en réduisant les données, on retient les composantes principales correspondant à des valeurs
propres supérieures à 1.

Mémoire de RAFENOMANANJARA Nomena Barisata 22

 II-1-6-2- Interprétation des axes principaux en fonction des contributions
II-1-6-2- a- Contributions des individus pour un axe principal
La contribution d’un individu Ui à la formation d’un axe principal Fj s’identifie comme la

part de variance fournie par cet individu. En notant CTU i Fj cette contribution, on a :

f ij2 fij2 f ij2

CTUi = = =
Fj
∑ fij2 n.var  Fj  n.λ j
i

Un individu contribuera d’autant plus à la formation d’un axe principal que sa projection
sur cet axe s’éloigne du centre de gravité du nuage.
Et inversement, un individu dont la projection sur un axe se trouve proche du centre de
gravité contribue faiblement à l’inertie portée par cet axe. On se sert de ces contributions pour
interpréter les nouveaux axes en fonction des individus.
II-1-6-2- b- Contributions des variables pour un axe principal
La contribution d’une variable Zi à la formation d’un axe principal Fj se définit de la même
façon que celle des individus. En notant CTZ i Fj cette contribution, on a :

ρ 2 ( Fj , Zi ) ρ 2 ( Fj , Zi )
CTZi = =
Fj p
λj
∑
i =1
ρ 2 ( F j , Zi )

II-1-6-3- Interprétation des plans factoriels en fonction des qualités de présentations

II-1-6-3- a- Qualité de représentation des individus
Deux individus dont les projections sont proches sur un axe (ou sur un plan) peuvent ne
pas être proches dans l’espace. Ainsi pour bien interpréter la proximité de deux individus sur
un plan (ou sur un axe), il faut s’assurer qu’ils sont bien localisés dans ce plan. En d’autres
termes, pour qu’un individu Ui soit bien représenté sur un axe Fj, il faut que l’angle entre le

vecteur GU i et F j ait la plus petite valeur possible. Cela fait appel au calcul du cosinus au

carré. En notant θ ij cet angle, on a :

  2
GU i , b j f ij2
cos (θij ) =
2
 2 =  2
GU i GU i

Si cos 2 (θ ij ) est proche de 1, alors Ui est bien représenté par sa projection sur Fj.

En utilisant le théorème de Pythagore, on peut calculer le carré du cosinus de l’angle θijj '

que fait GU i et le plan engendré par ( F j , F j ' ) :

Mémoire de RAFENOMANANJARA Nomena Barisata 23

 cos 2 (θ ijj ' ) = cos 2 (θ ij ) + cos 2 (θ ij ' )
II-1-6-3- b- Qualité de représentation des variables
Rappelons que les coordonnées des variables forment les éléments de la matrice φ et que
ces projections se placent dans un cercle de rayon unité (cercle de corrélation). Sur un plan
factoriel défini par deux axes principaux, l’interprétation de la projection d’une variable se
traduit de la manière suivante :
- une variable proche du cercle de corrélation est bien représentée dans ce plan ;
- une variable proche de l’origine du cercle figure mal dans ce plan.

II-2-Transformation de Fourier rapide

La transformation de Fourier est un outil mathématique utilisé en traitement de signal.

II-2-1-Définition d’un signal

Un signal se définit comme la représentation physique de l’information qu’il transporte de

sa source à son destinataire. Il sert de vecteur pour à une information. Il constitue la
manifestation physique d’une grandeur mesurable (courant, tension, force, température,
pression, hauteur, etc).
Dans notre cas, la grandeur physique que nous utilisons est la hauteur de pluie qui varie en
fonction du temps. Ainsi elle peut être considérée comme un signal.

II-2-2-Transformation de Fourier continue [6]

Comme son nom l’indique, la transformation de Fourier désigne une transformation : on

passe d’une représentation d’un signal à une autre.
Contrairement à la décomposition en série de Fourier qui s’applique aux fonctions
périodiques, la transformation de Fourier s’emploie pour les signaux non périodiques. On
préfère cette dernière parce que peu de signaux naturels remplissent la condition de
périodicité.
+∞
Soit x(t) un signal tel que ∫−∞ x(t )dt reste borné. La transformation de Fourier de ce signal,
notée X ( f ) est :
+∞
X(f )= ∫ x(t )e−2iπ ft dt
−∞

La fonction X ( f ) peut être vue comme le spectre en fréquence de la fonction x(t ) .

L’intérêt d’une telle décomposition est de pouvoir alors analyser un signal en fréquence et
repérer ainsi leur contenu fréquentiel.

Mémoire de RAFENOMANANJARA Nomena Barisata 24

 II-2-3-Transformation de Fourier discrète [7]

La représentation de signaux sous forme de transformation de Fourier continue définit un

outil théorique. Il existe une différence entre une fonction mathématique continue et un signal
physique. L’information tirée de ce dernier est nécessairement discrète. C’est le cas pour bon
nombre des signaux qu’on rencontre en climatologie. Et c’est cette discrétisation qui va nous
guider vers l’utilisation de la transformation de Fourier discrète.
II-2-3-1- Signal discret
Le signal nous apparait comme une suite de points prenant des valeurs d'amplitude
différentes.

Figure 2.5: signal continue (à gauche) et signal échantillonné (à droite)

.
Sur la figure 2.5, on voit la différence entre un signal continue et un signal discret. Le
problème d’échantillonnage ne se pose pas pour nous parce que notre signal est déjà
discrétisé.
II-2-3-2- Transformation de Fourier discrète
A partir de n valeurs du signal discret { x(nTe )}n∈{0,1,2,...,N −1} où Te est la période

d’échantillonnage, on pourra définir la transformation de Fourier discrète comme suit :

n
X ( f ) = ∑ x(nTe )e−2iπ fnTe
i =0

Dans notre cas, la période d’échantillonnage est soit 1 jour, 1 mois ou une année.

Mémoire de RAFENOMANANJARA Nomena Barisata 25

 II-2-4-Transformation de Fourier rapide [6] [8]

La Transformée de Fourier rapide (qu’on notera FFT) est simplement une transformation
de Fourier discrète calculée selon un algorithme permettant de réduire le nombre d’opérations
à effectuer, en particulier, le nombre de multiplication.
Il faut noter cependant que, la diminution du nombre d’opérations arithmétiques à effectuer
n’entrainera pas nécessairement la réduction du temps d’exécution.
Si on calcule directement la transformée de Fourier discrète d’un signal à n échantillons
sans algorithme, on doit effectuer :
 n 2 multiplications complexes

 n(n − 1) additions complexes
Il existe différents algorithmes de la FFT. Le plus connu est celui de Cooley-Tukey qui
réduit à
n
log 2 ( n ) le nombre de multiplications.
2
Alors avec le logiciel MATLB, pour calculer la transformation de Fourier rapide d’un
signal, il suffit d’utiliser la commande fft. A la sortie, on obtient les coefficients de la
transformation.

II-3-Transformation en ondelette continue

L’analyse spectrale par la transformation de Fourier ne permet pas d’obtenir une

information localisée dans le temps. C’est pourquoi nous ajoutons l’analyse en ondelettes
pour localiser temporellement les phénomènes mis en évidence par l'analyse spectrale.
La transformation en ondelette est une extension de l'analyse de Fourier qui permet de
mettre en évidence l’évolution du spectre au cours du temps ; c’est une représentation des
signaux qui fait apparaître simultanément les informations temporelles (localisation dans le
temps, durée) et fréquentielles (amplitude, fréquence et position temporelle d’un point
spécifique) facilitant ainsi l’identification des caractéristiques physiques du signal.
II-3-1-Transformation de Fourier à fenêtre glissante [9]

Cette transformation permet d’analyser le signal en le découpant arbitrairement en

segments de longueur limitée. Elle projette le signal sur une base de fonction g(t) appelée
fenêtre glissante selon la relation suivante :
+∞
F ( µ, f ) = ∫ f (t ) g (t − µ )e−2iπ ft dt
−∞

Mémoire de RAFENOMANANJARA Nomena Barisata 26

 où f(t) est le signal à analyser.
g(t) représente la fonction fenêtre glissante centrée autour de t = µ .
Par exemple, Gabor a choisi la fonction définie par :
t2
− 14 − 2
g (t ) = π e comme fonction fenêtre glissante.

Alors on obtient la transformation dite de Gabor qui est définie de la manière suivante :
1 +∞ ( t − µ )2
− −
Ga ( µ , f ) = π 4
∫−∞ f (t )e 2 e −2 iπ ft
dt

La transformation de Fourier à fenêtre glissante donne une représentation temps-fréquence.

Cependant la longueur de la fenêtre glissante étant fixée, cette représentation apparait

inadaptée aux signaux ayant des composantes de longueurs très différentes de celle de la
fenêtre glissante. C’est là qu’intervient la transformation en ondelette. Elle fait usage à de
fonctions qui en se dilatant et en se décalant, localisent mieux les différentes composantes
temporelles et fréquentielles du signal étudié.
II-3-2-Transformation en ondelette continue [10]

II-3-2-1- Description d’une ondelette

i/- Définition
Le terme ondelette désigne une fonction qui oscille pendant une durée donnée(si la
variable est le temps) ou sur un intervalle de longueur finie (si la variable est de type spatial).
Au-delà, la fonction décroît très vite vers zéro.

0.8

0.6

0.4

0.2
a m p litu d e

-0.2

-0.4

-0.6

-0.8

-1
-8 -6 -4 -2 0 2 4 6 8
temps

Figure 2.6 : exemple d’ondelette

Mémoire de RAFENOMANANJARA Nomena Barisata 27

 ii/- Propriétés [9]
Soit ψ (t ) une ondelette. Alors elle possède les propriétés suivantes :
+∞
− son intégrale est nulle : ∫ ψ (t )dt = 0 ;
−∞

+∞
− si φ (ω) désigne sa transformée de Fourier, alors ∫0 φ (ω )dω < +∞ ;

− l’intégrale de son module vaut 1 ;

− son support temporel et son support fréquentiel sont limités puisqu’elle procure une
analyse locale en temps et en fréquence ;
− elle a un caractère ondulatoire vu qu’elle change de signe au moins une fois.
II-3-2-2- Quelques exemples d’ondelettes
Nous allons voir quelques types d’ondelettes fréquemment utilisées en analyse et en
traitement de signal.

♦ Ondelette de Haar
C’est la différence de deux fonctions de Heaviside

Figure 2.7 : ondelette de Haar

♦ Ondelette de Daubechies

Figure2.8: ondelette de Daubechies

Mémoire de RAFENOMANANJARA Nomena Barisata 28

 ♦ Ondelette de Symlets

Figure2.9: ondelette de Symlets

♦ Ondelette de Meyer

Figure 2.10 : ondelette de Meyer

♦ Ondelette chapeau mexicain (mexican hat)

Figure 2.11 : ondelette chapeau mexicain

II-3-2-3- Versions translatées et dilatées d’une fonction d’ondelette

Nous avons déjà mentionné que la transformation en ondelette fait appel à des fonctions
d’ondelettes qui se dilatent et qui se translatent. Maintenant donnons-en un aperçu.

Mémoire de RAFENOMANANJARA Nomena Barisata 29

 II-3-2-3-a- Dilatation
Dilater une ondelette signifie l’étirer ou la comprimer. Pour quantifier cette dilatation, on
introduit le facteur d’échelle noté « s ».
Pour comprendre l’effet du facteur d’échelle, prenons par exemple une sinusoïde et
voyons sa dilatation en fonction de s :

Figure 2.12 : dilatation d’une sinusoïde

Le facteur d’échelle agit de la même façon avec les ondelettes. Le facteur le plus petit
correspond à l’ondelette la plus comprimée.

Figure 2.13: dilatation d’une ondelette

Mémoire de RAFENOMANANJARA Nomena Barisata 30

 II-3-2-3-b- Décalage
Décaler une ondelette signifie la retarder ou l’avancer. Mathématiquement, le retard d’une
fonction f (t ) par un facteur b s’exprime par f (t − b) .

Fonction d’ondelette ψ (t ) Fonction d’ondelette décalée ψ (t − b)

Figure 2.14: décalage d’une ondelette

II-3-2-4- Formulation de la transformation en ondelette continue

Notons ψ s ,b (t ) l’ondelette obtenue par dilatation d’un facteur s > 0 et le décalage d’une

position b de l’ondelette de référenceψ (t ) . Alors ψ s ,b (t ) est donnée par :

1  t −b 
ψ s ,b (t ) = ψ 
s  s 
II-3-2-4-a- Définition
La transformation en ondelette continue d’un signal f (t ) est définie comme étant une
transformation temps-échelle. Elle décompose le signal réel en une somme de fonctions qui se
déduisent les unes des autres par dilatation et translation d’une fonction ondelette appelée
ondelette analysante ou ondelette « mère ». Elle associe le signal à analyser f (t ) à une

grandeur Cs,b tel que :

Cs ,b = ∫ f (t )ψ s*,b (t )dt

avecψ s*,b (t ) est le conjugué de la fonction ψ s ,b (t ) définie précédemment.

Remarques :

• ∫ f (t )ψ s,b (t )dt = f ,ψ s ,b
*
exprime le produit scalaire (opérateur de projection

classique). Alors le calcul des coefficients d’ondelettes Cs,b se ramène à une série de

calculs de produits scalaires ;

Mémoire de RAFENOMANANJARA Nomena Barisata 31

 • Les coefficients Cs,b n’ont pas de signification physique. Ils quantifient la

ressemblance entre le signal à analyser f (t ) et l’ondeletteψ s ,b (t ) . Plus leurs valeurs

absolues sont élevées, plus la similitude entre f (t ) et ψ s ,b (t ) devient importante.

II-3-2-4-b -Illustration de la méthode de calcul des coefficients Cs,b et de leur

interprétation [11]
Nous allons illustrer comment se calculent les coefficients Cs,b et comment s’interprètent-

ils.

Figure 2.15 : à gauche le signal à analyser f (t ) et à droite l’ondelette mèreψ s ,b (t )

Sur la figure 2.16, on centre l’ondelette sur une position b (temps) et on la multiplie avec le
signal. On calcule l’aire du signal produit, notée P (t ) ainsi obtenue : elle est comptée
positivement pour les parties de la courbe située au-dessus de l’axe des abscisses et
négativement dans le cas inverse. Cette aire est égale au coefficient d’ondelette Cs,b pour

chaque valeur de l’échelle s et du temps b.

Figure 2.16 : en haut multiplication de f(t) par l’ondelette mère et en bas la mesure du coefficient

Mémoire de RAFENOMANANJARA Nomena Barisata 32

 II-3-2-4-c- Interprétation des coefficients [11]
N’ayant pas de signification réelle, les coefficients d’ondelette quantifient la similitude
entre la fonction f(t) et l’ondelette analysante.

Figure 2.17 : illustration de l’interprétation des coefficients Cs,b

Quand f(t) reste constante (1) autour d’un temps b’, l’aire du produit de f(t) par l’ondelette
ψ s ,b (t ) est petite. Autrement dit, Cs,b est petit. Au contraire, si le fragment de signal autour
d’un temps b est irrégulier (2) et que ses variations sont de « fréquence » comparable à celle
de l’ondelette, l’aire du produit signal-ondelette (donc Cs,b ) est généralement plus grande.

Mémoire de RAFENOMANANJARA Nomena Barisata 33

Mémoire de RAFENOMANANJARA Nomena Barisata 34
 III-1-Localisation de la zone d’étude

Sur la figure 3.1, celle qui est encadrée en bleu montre notre zone d’étude. Elle se situe
entre :
− la latitude 21,5° Sud et 26,5° Sud ;
− la longitude 42,5° Est et 45,5° Est.

Figure 3.1 : localisation de la zone d’étude

III-2- Données utilisées

Les données pluviométriques qu’on utilise proviennent du Centre Météorologique

Régional Spécialisé (C.M.R.S.) de Météo-France à la Réunion. Sur Madagascar, ils ont
calculé la hauteur de pluie journalière avec une résolution de 1o × 1o . Et nous disposons des
résultats entre 1979 et 2004. A l’aide du logiciel Matlab, on a converti ces données en une
grande matrice à trois dimensions dont les deux premières correspondent à la latitude et à la
longitude ; la troisième dimension se rapporte au jour. Et il suffit d’extraire la partie qui
concorde avec notre zone d’étude.

Mémoire de RAFENOMANANJARA Nomena Barisata 35

 III-3- Résultats de l’Analyse en Composantes Principales

III-3-1- Description du tableau de départ

Dans notre ACP, on a choisi comme individus les intersections de chaque latitude et de
chaque longitude disposant les valeurs des pluies et comme variables les mois de l’année.
Puisqu’on a 6 latitudes et 4 longitudes dans notre zone d’étude, alors il y a 24 points
d’intersections représentant nos individus. On a affecté un nom pour chacun de ces individus
pour faciliter l’interprétation des résultats d l’ACP. La figure 3.2 montre la correspondance y
afférant.

III-3-2- Objectifs de l’analyse

Comme nous l’avons déjà mentionné, l’analyse en composantes principales nous permet de
diviser la zone d’étude par rapport à la pluie. D’une manière simple, on compare les pluies
mensuelles des différents points de notre site d’étude.
Du point de vue des individus (les lieux ou les points)
Chaque lieu est caractérisé par leurs 12 valeurs climatologiques de pluies mensuelles.
Quels sont les points qui se ressemblent et quels sont ceux qui diffèrent ? Dans l’ACP, la
dissemblance entre les individus se mesure par une distance. Dans notre cas, le carré de la
distance entre deux lieux est la somme des carrés des différences entre les moyennes des
pluies des 12 mois. Alors on peut se demander si ces ressemblances (ou dissemblances)
correspondent à des proximités (ou des éloignements) géographiques.
Du point de vue des variables (les mois)
Les mois se caractérisent par les pluies mensuelles des 24 lieux. On ne cherche pas à
séparer les mois pluvieux des plus secs pour l’ensemble des individus mais de comparer la
répartition des 24 lieux (des plus humides aux plus secs) pour deux mois différents sans tenir
compte du fait que d’un mois à l’autre, la hauteur de pluie demeure plus ou moins constante.
La notion de ressemblance entre mois se traduit par la corrélation entre variables. Deux
mois sont d’autant plus corrélés si chacun montrera la même répartition des 24 lieux selon la
valeur de la pluie. A l’inverse, la faiblesse de leur corrélation se dévoilera si ce ne sont pas les
mêmes lieux où l’on trouve les pluies les plus élevées (ou les plus basses). Alors se pose la
question: peut-on faire un bilan de corrélation entre les 12 mois ?

Mémoire de RAFENOMANANJARA Nomena Barisata 36

 Latitude

Longitude

Figure 3.2 : correspondance entre les individus et leur nom

Pour chacun des 24 points de notre zone d’étude, on calcule les moyennes climatologiques
des pluies mensuelles entre 1979 et 2004.
Par exemple : pour le point A1, la première colonne (janvier) représente la moyenne
climatologique de la pluie de tous les mois de janvier de l’année 1979 à 2004.
Le résultat 3.1, montrant les 24 points en lignes et les 12 mois de l’année en colonnes,
rassemblent le résultat des calculs. Il constitue notre tableau de départ pour l’ACP.

Mémoire de RAFENOMANANJARA Nomena Barisata 37

 Tableau 3.1: données initiales pour l’ACP
janvier février mars avril mai juin juillet aout septembre octobre novembre décembre
A1 0,6851 0,7691 1,1346 0,9590 0,5908 0,2546 0,3649 0,3030 0,1956 0,1667 0,6190 0,4687
A2 3,2067 3,7687 2,6856 1,3973 1,2175 1,2109 1,1955 1,5104 0,7494 0,7860 1,5022 2,5708
A3 2,2175 1,7122 2,7599 2,2932 1,5366 1,5137 1,1454 1,6558 1,1253 1,2767 2,4724 2,1005
A4 0,8677 0,2063 1,1429 0,7940 0,6651 0,0604 0,0560 0,0857 0,0622 0,3175 0,6317 0,8676
A5 0,5752 0,2449 0,7428 1,1909 0,5783 0,1159 0,0728 0,1120 0,0877 0,5065 0,9956 0,7046
A6 0,7912 0,3430 0,8993 1,3667 0,5511 0,1210 0,0478 0,0638 0,1792 0,3954 0,8500 0,7715
B1 6,1029 5,8156 3,1516 0,8277 0,3624 0,2576 0,2612 0,1692 0,1959 0,5182 1,1281 4,3743
B2 4,7892 4,7118 2,5396 0,7151 0,3803 0,3660 0,3228 0,2133 0,3295 0,5230 1,2787 3,7794
B3 3,8794 4,0417 2,6021 1,4018 0,8543 0,9281 0,8949 0,6490 0,7456 0,8253 1,6881 3,4505
B4 3,8694 2,7175 3,2913 2,7618 1,7262 1,6038 1,4465 0,9207 1,4836 1,3272 2,4904 3,5825
B5 0,9890 0,3887 0,9666 1,0879 0,7751 0,1174 0,0717 0,0741 0,0788 0,5205 1,1422 0,9819
B6 1,6046 0,5427 1,2916 1,3550 0,9010 0,2122 0,2187 0,0584 0,2208 0,8697 1,3004 1,5681
C1 6,4629 6,0176 2,9130 0,4395 0,2062 0,1128 0,0978 0,0784 0,1509 0,5323 0,2394 4,6272
C2 5,1143 4,9776 2,5360 0,6267 0,0974 0 0,1599 0,0072 0,2800 0,7181 1,8522 4,3904
C3 3,9707 4,1008 2,4728 1,2779 0,1927 0 0,7223 0,0230 0,5997 0,8790 2,0100 3,7622
C4 3,7223 3,8802 2,9949 2,4754 1,2040 1,4182 1,5040 0 1,1319 1,2911 2,6715 3,7342
C5 4,0881 3,2051 4,0174 3,7032 2,4779 2,5236 2,5737 0 2,0132 1,9885 3,2483 3,9231
C6 1,3749 0,3816 1,0757 0,5324 0,6864 0,2009 0,0664 0,0666 0,0729 0,5350 1,1236 1,3490
D1 7,1161 6,8975 3,7744 0,8119 0,4202 0,2304 0,3850 0,2958 0,3844 1,0422 0,4109 5,6854
D2 5,9191 5,9437 3,5634 1,2872 0,2256 0,0000 0,6270 0,0223 0,5860 1,2413 2,9159 5,4345
D3 5,0127 5,2089 3,7315 2,1463 0,4829 0,0000 1,4148 0,0440 1,0208 1,4996 3,2800 4,9135
D4 4,4553 4,7280 4,0803 3,5104 1,9742 2,0163 2,3514 0,0000 1,5438 1,8314 3,6779 4,5347
D5 4,6014 4,9472 4,7965 4,5077 2,8485 2,8627 3,3001 0,0000 2,0454 2,2223 3,9841 4,5882
D6 1,6933 0,2461 1,7001 0,7392 0,9921 0,4629 0,1732 0,3875 0,1831 0,8253 1,7179 1,9948

Mémoire de RAFENOMANANJARA Nomena Barisata 38

 III-3-3- Résultats de l’analyse en composante principale

III-3-3-1- Tableau de données centrées réduites

Pour rendre homogène les données, on transforme les variables en variables centrés
réduites. Ceci aboutit au tableau 3.2.

Mémoire de RAFENOMANANJARA Nomena Barisata 39

 Tableau 3.2 : données centrées réduites
janvier février mars avril mai juin juillet aout septembr octobre novembre décembre
A1 -1,373 -1,051 -1,193 -0,579 -0,444 -0,507 -0,496 0,048 -0,724 -1,431 -1,108 -1,582
A2 -0,127 0,268 0,127 -0,178 0,416 0,604 0,427 2,678 0,169 -0,290 -0,280 -0,313
A3 -0,615 -0,636 0,191 0,641 0,854 0,956 0,371 2,995 0,776 0,614 0,629 -0,597
A4 -1,282 -1,298 -1,186 -0,730 -0,342 -0,733 -0,839 -0,425 -0,939 -1,153 -1,096 -1,341
A5 -1,427 -1,281 -1,527 -0,367 -0,461 -0,668 -0,820 -0,368 -0,898 -0,805 -0,755 -1,440
A6 -1,320 -1,238 -1,393 -0,206 -0,499 -0,662 -0,848 -0,473 -0,750 -1,009 -0,891 -1,400
B1 1,305 1,168 0,524 -0,699 -0,758 -0,504 -0,611 -0,243 -0,724 -0,783 -0,631 0,775
B2 0,655 0,683 0,003 -0,802 -0,733 -0,378 -0,543 -0,147 -0,508 -0,774 -0,489 0,416
B3 0,206 0,388 0,056 -0,174 -0,082 0,275 0,093 0,802 0,163 -0,217 -0,106 0,218
B4 0,201 -0,194 0,643 1,070 1,114 1,060 0,705 1,394 1,354 0,707 0,646 0,297
B5 -1,223 -1,218 -1,336 -0,461 -0,191 -0,667 -0,822 -0,450 -0,912 -0,779 -0,617 -1,273
B6 -0,918 -1,150 -1,059 -0,217 -0,018 -0,557 -0,658 -0,484 -0,683 -0,136 -0,469 -0,919
C1 1,483 1,257 0,321 -1,054 -0,972 -0,672 -0,793 -0,441 -0,796 -0,757 -1,463 0,928
C2 0,816 0,800 0,000 -0,883 -1,121 -0,803 -0,724 -0,596 -0,588 -0,415 0,048 0,785
C3 0,251 0,414 -0,054 -0,287 -0,991 -0,803 -0,099 -0,562 -0,072 -0,118 0,196 0,406
C4 0,128 0,317 0,391 0,808 0,397 0,845 0,769 -0,612 0,787 0,641 0,815 0,389
C5 0,309 0,021 1,261 1,931 2,146 2,129 1,957 -0,612 2,208 1,926 1,356 0,503
C6 -1,032 -1,221 -1,243 -0,969 -0,313 -0,570 -0,828 -0,467 -0,922 -0,752 -0,635 -1,051
D1 1,805 1,644 1,054 -0,714 -0,678 -0,535 -0,474 0,033 -0,420 0,182 -1,302 1,567
D2 1,214 1,225 0,875 -0,279 -0,946 -0,803 -0,205 -0,563 -0,094 0,549 1,044 1,415
D3 0,766 0,902 1,018 0,507 -0,592 -0,803 0,670 -0,516 0,607 1,025 1,385 1,101
D4 0,490 0,690 1,315 1,755 1,455 1,539 1,710 -0,612 1,451 1,636 1,758 0,872
D5 0,563 0,787 1,925 2,667 2,655 2,523 2,764 -0,612 2,260 2,357 2,045 0,904
D6 -0,874 -1,280 -0,712 -0,780 0,107 -0,265 -0,709 0,232 -0,744 -0,217 -0,078 -0,661

Mémoire de RAFENOMANANJARA Nomena Barisata 40

 III-3-3-2- Résultats préliminaires
Nous présentons dans le tableau 3.3 les résultats des calculs préliminaires et dans 3.4 la
matrice de corrélation entre les variables.

Tableau 3.3 : résultats des calculs statistiques préliminaire pour les variables

Variables Moyenne Ecart-type Minimum Maximum

(mm) (mm) (mm) (mm)
Janvier 3,4629 2,0236 0,5752 7,1161
Février 3,1582 2,2742 0,2063 6,8975
Mars 2,5360 1,1746 0,7428 4,7965
Avril 1,5920 1,0931 0,4395 4,5077
Mai 0,9144 0,7286 0,0974 2,8485
Juin 0,6912 0,8608 0,0000 2,8627
Juillet 0,8114 0,9003 0,0478 3,3001
Août 0,2808 0,4592 0 1,6558
Septembre 0,6444 0,6198 0,0622 2,0454
Octobre 0,9433 0,5427 0,1667 2,2223
Novembre 1,8013 1,0675 0,2394 3,9841
Décembre 3,0899 1,6566 0,4687 5,6854

Mémoire de RAFENOMANANJARA Nomena Barisata 41

 Tableau 3.4 : matrice de corrélation entre variables
Janvier Février Mars Avril Mai Juin Juillet Août Septembre Octobre Novembre Décembre
Janvier 1
Février 0,976 1
Mars 0,815 0,819 1
Avril 0,122 0,155 0,644 1
Mai -0,065 -0,066 0,475 0,902 1
Juin 0,124 0,139 0,614 0,901 0,960 1
Juillet 0,286 0,334 0,770 0,958 0,866 0,911 1
Août -0,107 -0,090 0,036 0,036 0,202 0,250 0,073 1
Septembre 0,306 0,327 0,777 0,953 0,855 0,910 0,974 0,150 1
Octobre 0,404 0,402 0,823 0,900 0,771 0,797 0,920 -0,005 0,929 1
Novembre 0,267 0,299 0,699 0,850 0,671 0,699 0,862 -0,018 0,866 0,907 1
Décembre 0,970 0,954 0,891 0,287 0,065 0,237 0,438 -0,143 0,458 0,577 0,469 1

Ce tableau nous donne une idée générale sur l’attitude des variables. Cet aperçu nous aide dans l’interprétation de l’ACP que nous verrons
plus tard.
On constate que :
− positivement, le mois de janvier est fortement corrélé avec les mois de février, mars et décembre ;
− le mois de février est fortement corrélé de façon positive avec le mois de mars et décembre;
− le mois de mars l’est avec les mois de juillet, septembre, octobre et décembre ;
− le mois d’avril avec les mois de mai, juin, juillet, septembre, octobre et novembre sont corrélés positivement ;
− le mois de mai avec les mois de juin, juillet, septembre et octobre sont aussi corrélés positivement ;
− le mois d’août n’est corrélé à aucun mois.
Mémoire de RAFENOMANANJARA Nomena Barisata 42
 III-3-3-3- Résultats généraux de l’ACP
Puisqu’on travaille sur un tableau de données centrées réduites (ACP normée), pour
déterminer le nombre de facteurs retenus, on calcule les valeurs propres de la matrice de
covariance-variance des variables.

Tableau 3.5:valeurs propres de la matrice de corrélation et variances

expliquées
Facteurs Valeurs propres Inertie (% variance) % cumulée
1 7,445 62,038 62,038
2 2,981 24,846 86,884
3 1,018 8,486 95,370
4 0,327 2,728 98,098
5 0,094 0,787 98,885
6 0,058 0,484 99,369
7 0,031 0,259 99,628
8 0,021 0,173 99,801
9 0,016 0,131 99,932
10 0,005 0,039 99,971
11 0,003 0,022 99,993
12 0,001 0,007 100,000
Eboulis des vecteurs propres
8
62,03%
7

6
valeurs propres

3
24,84%

8,48%
1
2,72%
0,78% 0,48% 0,25% 0,17% 0,13% 0,03% 0,022% 0,007%
0
0 2 4 6 8 10 12
numéro des valeurs propres

Figure 3.3 : éboulis des valeurs propres

L’inertie totale (100%) du nuage de point est repartie selon 12 valeurs. On ne garde que
les facteurs (représentés par les valeurs propres) dont l’inertie est supérieure à 100/12 = 8,3%.

Mémoire de RAFENOMANANJARA Nomena Barisata 43

Donc pour notre analyse, on retient les trois premiers facteurs. Et de plus ils représentent
95,73% de l’inertie totale.
Le critère de Kaiser qui consiste à retenir les facteurs pour lesquels les valeurs propres sont
supérieures à 1, nous fournit le même résultat.
III-3-3-3- a- Résultats sur les variables
Le résultat concernant les variables est illustré ci-dessous.

Tableau 3.6 : coordonnées et contributions des variables

Coordonnées Contributions (%)
F1 F2 F3 F1 F2 F3
Janvier 0,497 0,852 0,108 3,312 24,333 1,156

Février 0,514 0,834 0,115 3,552 23,345 1,302

Mars 0,896 0,420 0,097 10,783 5,929 0,917

Avril 0,905 -0,366 -0,132 11,011 4,490 1,724

Mai 0,783 -0,568 0,029 8,228 10,824 0,083

Juin 0,861 -0,403 0,128 9,962 5,458 1,616

Juillet 0,961 -0,211 -0,047 12,417 1,489 0,212

Août 0,069 -0,269 0,948 0,063 2,425 88,341

Septembre 0,965 -0,206 0,028 12,518 1,417 0,079

Octobre 0,961 -0,062 -0,115 12,404 0,129 1,307

Novembre 0,876 -0,129 -0,182 10,303 0,560 3,242

décembre 0,637 0,764 0,015 5,447 19,602 0,021

− Les colonnes de coordonnées expriment les coordonnées des variables (mois) sur les
axes factoriels. Il s'agit des coefficients de corrélation linéaire entre les variables
initiales et les facteurs retenus. Ces coefficients nous permettent aussi de projeter les
variables dans le plan factoriel formé par chaque couple facteurs. Dans notre cas, on a
trois plans factoriels ;
− Les colonnes de contributions désignent les contributions des mois à la formation des
axes Fi.

Mémoire de RAFENOMANANJARA Nomena Barisata 44

 III-3-3-3- b- Résultats sur les individus

Tableau 3.7 : coordonnées et contributions des individus

Coordonnées Contributions (%)
F1 F2 F3 F1 F2 F3
A1 -2,978 -1,515 0,005 5,178 3,347 0
A2 0,333 -0,738 2,722 0,065 0,795 31,644
A3 1,349 -2,142 2,569 1,063 6,690 28,171
A4 -3,149 -1,300 -0,484 5,790 2,465 1,001
A5 -2,945 -1,597 -0,622 5,067 3,718 1,651
A6 -2,896 -1,476 -0,659 4,899 3,179 1,854
B1 -0,753 2,468 0,323 0,332 8,883 0,446
B2 -1,054 1,552 0,240 0,649 3,512 0,246
B3 0,185 0,259 0,928 0,020 0,098 3,679
B4 2,509 -1,085 1,210 3,676 1,718 6,252
B5 -2,702 -1,411 -0,657 4,265 2,902 1,845
B6 -1,883 -1,214 -0,732 2,072 2,150 2,286
C1 -1,321 2,925 0,322 1,018 12,475 0,442
C2 -0,994 2,143 -0,333 0,578 6,696 0,472
C3 -0,486 1,163 -0,565 0,138 1,972 1,363
C4 1,972 -0,192 -0,702 2,272 0,054 2,107
C5 5,089 -1,498 -0,825 15,125 3,270 2,903
C6 -2,761 -1,068 -0,565 4,452 1,662 1,361
D1 0,082 3,328 0,766 0,004 16,155 2,503
D2 0,861 2,614 -0,491 0,433 9,964 1,031
D3 1,889 1,610 -0,752 2,084 3,778 2,416
D4 4,581 -0,405 -0,839 12,259 0,239 3,007
D5 6,781 -1,250 -0,882 26,857 2,279 3,318
D6 -1,709 -1,171 0,023 1,706 2,000 0,002

III-3-3-4- Interprétation des résultats de l’ACP

III-3-3-4-a- Projections des variables
La figure 3.4 nous montre les projections des variables dans le plan factoriel F1-F2, F1-
F3et F2-F3.

Mémoire de RAFENOMANANJARA Nomena Barisata 45

 Projection des variables sur le plan factoriel F1-F2 Projection des variables sur le plan factoriel F1-F3

A 1 B 1
aout
janv-fev
dec

0.5 0.5
mars
axe F2: 24,84%

axe F3: 8,48%

fev juin
janv mars
0 oct dec mai sept
0
nov jul
jul-sept avr oct
aout nov
avr
juin
-0.5
mai -0.5

-1
-1

-1 -0.5 0 0.5 1
axe F1: 69,03% -1 -0.5 0 0.5 1
axe F1: 62,03%

Projction des variables dans le plan factoriel F2-F3

1
Figure 3.4 :
C aout

A : représentation des variables dans le plan factoriel F1-F2

0.5
B : représentation des variables dans le plan factoriel F1-F3
C : représentation des variables dans le plan factoriel F2-F3
axe F3: 8,48%

juin
mars janv-fev
mai sep
0
jul dec
oct
avrl
nov

-0.5

-1

-1 -0.5 0 0.5 1
axe F2: 24,84%

Mémoire de RAFENOMANANJARA Nomena Barisata 46

 III-3-3-4-c- Interprétation du premier facteur

Les variables

D’après la projection des variables dans le plan factoriel F1-F2, les mois sont positivement
et fortement corrélés avec cet axe à l’exception du mois d’août. Alors on observe un effet de
taille sur le premier facteur. Il classe les individus suivant leur taille puisqu’il va ordonner les
lieux (individus) selon la hauteur de pluie annuelle. L’effet de taille nous renseigne aussi que
certains points (individus) paraissent plus humides que d’autres quel que soit le mois de
l’année.

Les individus

Compte tenu de la relation de transition entre les coordonnées des variables et celles des
individus, on prévoit, le long de l’axe F1, les lieux plus humides du côté des coordonnées
positives et les moins humides du côté des coordonnées négatives. Il oppose les points D5-
C5-D4 (à droite) aux points A1-A4-A5-A6-B5-C6 (à gauche) (figure 3.5).
Ainsi quel que soit le mois de l’année, la hauteur de pluie dans les lieux D5-C5-D4 se
trouve au-dessus de la moyenne (calculée sur les 24 points de notre zone d’étude) tandis que
celle des points A1-A4-A5-A6-B5-C6 se situent en dessous de la moyenne.
Remarques : - le point A4 conserve la plus faible coordonnée sur l’axe F1. Cela ne veut
pas dire que cette partie présente, quel que soit le mois, le minimum de pluie. Seulement le
mois le plus secs se situe en août comme l’indique les données d’origine ;
- les points A2-B3-D1-C3 se trouvent près de l’origine de l’axe F1. Cela
indique que la pluie en ces lieux est moyenne sans qu’elle soit toujours constante.
Alors ce premier facteur semble correspondre à la pluie annuelle.
III-3-3-4-d- Interprétation du second facteur

Les variables

Les mois de l’été austral (décembre-janvier-février-mars) s’opposent aux mois de l’hiver

austral (avril-mai-juin-juillet-septembre-octobre-novembre). On ne prend pas en compte le
mois d’août car sa contribution est faible dans la formation de l’axe F2. Cette opposition
montre qu’à hauteur de pluie moyenne annuelle égale (c'est-à-dire au premier facteur fixé),
certains lieux deviennent plus humides en été et secs en hiver alors que d’autres sont dans une
situation inverse.
L’amplitude pluviométrique (différence entre le maximum et le minimum de la pluie
mensuelle) semble correspondre à ce second facteur.

Mémoire de RAFENOMANANJARA Nomena Barisata 47


Les individus

Sur cet axe, les coordonnées des lieux ayant une forte amplitude pluviométrique se
montrent positives et négatives pour ceux à faibles amplitude. Cela se vérifie par l’opposition
entre A3 (sur le côté négatif) et les points D1-D2-B1-C1-C2 (sur le côté positif) (figure 3.5).
Ces derniers présentent, de décembre à mars, une forte amplitude pluviométrique tandis qu’en
A3, la valeur de l’amplitude baisse. On a une situation inverse au mois de mai – juin –juillet
– septembre – octobre – novembre.
III-3-3-4-e- Interprétation du troisième facteur

Les variables
Seul le mois d’août représente 88,34% de l’inertie totale du troisième facteur et il est
corrélé fortement et positivement avec ce dernier. Le mois d’août se trouve en hiver austral,
ainsi ce troisième axe correspond alors à la pluie hivernale.

Les individus
Les points A2-A3-B4 (figure 3.6) présentent une pluie supérieure à 1mm au milieu de
l’hiver austral. Et d’ailleurs c’est en ces trois lieux qu’on reçoit le maximum de pluie à cette
période.
III-3-3-4-f- Le plan factoriel F1-F2
La dernière colonne du tableau 3.8 donne la qualité de représentation des individus dans le
plan factoriel F1-F2. Pour un individu donné, elle précise la somme de sa qualité de
représentation sur chacun des axes définissant le plan.

Tableau 3.8 : coordonnées et qualité de représentation des

individus dans le plan F1-F2

Coordonnées Qlté de représentation

F1 F2 F1 F2 F1-F2
A1 -2,978 -1,515 0,755 0,195 0,95
A2 0,333 -0,738 0,013 0,066 0,079
A3 1,349 -2,142 0,133 0,335 0,468
A4 -3,149 -1,300 0,825 0,141 0,966
A5 -2,945 -1,597 0,741 0,218 0,959
A6 -2,896 -1,476 0,747 0,194 0,941
B1 -0,753 2,468 0,079 0,843 0,922
B2 -1,054 1,552 0,292 0,633 0,925
B3 0,185 0,259 0,031 0,061 0,092
B4 2,509 -1,085 0,678 0,127 0,805

Mémoire de RAFENOMANANJARA Nomena Barisata 48

 B5 -2,702 -1,411 0,747 0,204 0,951
B6 -1,883 -1,214 0,605 0,251 0,856
C1 -1,321 2,925 0,153 0,749 0,902
C2 -0,994 2,143 0,165 0,765 0,93
C3 -0,486 1,163 0,095 0,542 0,637
C4 1,972 -0,192 0,845 0,008 0,853
C5 5,089 -1,498 0,880 0,076 0,956
C6 -2,761 -1,068 0,821 0,123 0,944
D1 0,082 3,328 0,001 0,858 0,859
D2 0,861 2,614 0,081 0,749 0,83
D3 1,889 1,610 0,399 0,289 0,688
D4 4,581 -0,405 0,956 0,007 0,963
D5 6,781 -1,250 0,942 0,032 0,974
D6 -1,709 -1,171 0,562 0,264 0,826

Projection des individus sur le plan factoriel F1-F2

5

4
D1
C1
3
B1 D2

2 C2
Axe F2 (24,84%)

D3
B2
1 C3
B3
0
C4 D4
C6 A2
-1 A4 D6 B4 D5
A6 B5 B6 C5
A1A5
-2 A3

-3

-4 -2 0 2 4 6
Axe F1 (82,03%)

Figure 3.5 : projections des individus sur le plan factoriel F1-F2

D’après le tableau 3.8, seuls les points A2, A3 et B3 sont mal représentés dans ce plan.
Cela s’explique par le fait que ce plan exprime 86,89% de l’inertie totale du nuage des points
individus.

Mémoire de RAFENOMANANJARA Nomena Barisata 49

 Cependant, les deux axes correspondent aux deux variables synthétiques : la pluie annuelle
et l’amplitude pluviométrique. Ainsi, plus un point est sec, plus il se situe à gauche du plan ;
plus son amplitude pluviométrique devient grande, plus il se place en haut.
Remarquons que les lieux qui sont soumis à une pluie annuelle maximale et minimale se
mettent assez proches de l’axe horizontal. Le deuxième facteur ne les différencie pas. Par
contre, pour les endroits présentant une pluie annuelle autour de la moyenne, l’amplitude
pluviométrique est importante.
De façon arbitraire, la répartition des points sur ce plan nous permet de les distinguer en
trois groupes. Notre interprétation des axes nous caractérise ces groupes :

− les lieux plus humides : D5 D4 C5 C4 B4

− les lieux moins humides : A1 A4 A5 A6 B5 B6 C6 D6
− les lieux à variation pluviométrique importante : D1 D2 B1 B2 C1 C2 C3

III-3-3-4-g- Le plan factoriel F1-F3

Tableau 3.9 : coordonnées et qualité de représentation des
individus dans le plan F1-F3

Coordonnées Qlte de représentation

F1 F3 F1 F3 F1-F3
A1 -2,978 0,005 0,755 0 0,755
A2 0,333 2,722 0,013 0,891 0,904
A3 1,349 2,569 0,133 0,481 0,614
A4 -3,149 -0,484 0,825 0,020 0,845
A5 -2,945 -0,622 0,741 0,033 0,774
A6 -2,896 -0,659 0,747 0,039 0,786
B1 -0,753 0,323 0,079 0,014 0,093
B2 -1,054 0,240 0,292 0,015 0,307
B3 0,185 0,928 0,031 0,788 0,819
B4 2,509 1,210 0,678 0,158 0,836
B5 -2,702 -0,657 0,747 0,044 0,791
B6 -1,883 -0,732 0,605 0,091 0,696
C1 -1,321 0,322 0,153 0,009 0,162
C2 -0,994 -0,333 0,165 0,018 0,183
C3 -0,486 -0,565 0,095 0,128 0,223
C4 1,972 -0,702 0,845 0,107 0,952
C5 5,089 -0,825 0,880 0,023 0,903

Mémoire de RAFENOMANANJARA Nomena Barisata 50

 C6 -2,761 -0,565 0,821 0,034 0,855
D1 0,082 0,766 0,001 0,045 0,046
D2 0,861 -0,491 0,081 0,026 0,107
D3 1,889 -0,752 0,399 0,063 0,462
D4 4,581 -0,839 0,956 0,032 0,988
D5 6,781 -0,882 0,942 0,016 0,958
D6 -1,709 0,023 0,562 0 0,562

Le plan F1-F3 représente 70,51% de l’inertie totale. Les points B1 B2 C1 C2 C3 D1 D2

D3 sont mal reproduits. Les deux axes définissant ce plan correspondent aux variables
synthétiques : la pluie annuelle et la pluie hivernale. En procédant de la même façon que
précédemment, les interprétations des axes F1 et axes F3 nous permettent de distinguer trois
groupes de lieux :
− les lieux plus humides : C4 C5 D4 D5
− les lieux moins humides : A1 A4 A5 A6 B5 B6 C6 D6
− les lieux soumis à une pluie hivernale : A2 A3 B3 B4

(b) Projection des individus sur le plan factoriel F1-F3

5

3 A2
A3

2
Axe F3 (8,48%)

B4
1 B3
C1 B1 D1
A1 D6 B2
0
A4 C6 C2
C4
A5 A6B5 B6 C3 D2 C5
-1 D3 D4 D5

-2

-3

-4
-3 -2 -1 0 1 2 3 4 5 6 7
Axe F1 (82,03%)

Figure 3.6 : projection des individus sur le plan F1-F3

Mémoire de RAFENOMANANJARA Nomena Barisata 51

 III-3-3-4-h- Le plan factoriel F2-F3
Tableau 3.10 : coordonnées et qualité de représentation des
individus dans le plan F2-F2
Coordonnées Qlte de représentation
F2 F3 F2 F3 F2-F3
A1 -1,515 0,005 0,195 0 0,195
A2 -0,738 2,722 0,066 0,891 0,957
A3 -2,142 2,569 0,335 0,481 0,816
A4 -1,300 -0,484 0,141 0,020 0,161
A5 -1,597 -0,622 0,218 0,033 0,251
A6 -1,476 -0,659 0,194 0,039 0,233
B1 2,468 0,323 0,843 0,014 0,857
B2 1,552 0,240 0,633 0,015 0,648
B3 0,259 0,928 0,061 0,788 0,849
B4 -1,085 1,210 0,127 0,158 0,285
B5 -1,411 -0,657 0,204 0,044 0,248
B6 -1,214 -0,732 0,251 0,091 0,342
C1 2,925 0,322 0,749 0,009 0,758
C2 2,143 -0,333 0,765 0,018 0,783
C3 1,163 -0,565 0,542 0,128 0,67
C4 -0,192 -0,702 0,008 0,107 0,115
C5 -1,498 -0,825 0,076 0,023 0,099
C6 -1,068 -0,565 0,123 0,034 0,157
D1 3,328 0,766 0,858 0,045 0,903
D2 2,614 -0,491 0,749 0,026 0,775
D3 1,610 -0,752 0,289 0,063 0,352
D4 -0,405 -0,839 0,007 0,032 0,039
D5 -1,250 -0,882 0,032 0,016 0,048
D6 -1,171 0,023 0,264 0 0,264

Mémoire de RAFENOMANANJARA Nomena Barisata 52

 (c) Projection de individu sur le plan factoriel F2-F3

3
A2
A3
2.5

2
Axe F3 (8,48%)

1.5
B4
1 B3
D1
0.5
B1 C1
B2
A1 D6
0

A4 C2
-0.5 A5 A6 C6 C3 D2
C4
B5 B6 D3
-1 C5 D5 D4

-1.5
-2 -1 0 1 2 3
Axe F2 (24,84%)

Figure 3.7 : projection des individus sur le plan F2-F3

Ce plan représente 33,32% de l’inertie totale. Donc on s’attend à une mauvaise

représentation de la majorité des individus définis par A1 A4 A5 A6 B4 B5 B6 C4 C5 C6 D3
D4 D5 D6. Mais cela ne nous empêche d’interpréter le reste des lieux.
Ce plan est définit par les axes correspondants aux variables synthétiques : la variation
pluviométrique et la pluie hivernale. Alors on obtient deux groupes de lieux dans la figure
montrant leur projection dans ce plan:
− les lieux avec une variation pluviométrique importante : B1 B2B3 C1 C2 C3 et D1
− les lieux soumis à des pluies hivernales : A2 et A3

III-3-4- Conclusion de l’analyse en composante principale

Cette analyse nous a conduites aux constatations suivantes :

de 1979 à 2004, l’évolution de la pluie de l’ensemble des 24 points de notre zone
d’étude peut manifestement être synthétisée par trois variables :
− la pluie annuelle ;
− l’amplitude pluviométrique mensuelle déterminée par la différence entre la valeur
maximale et minimale de la pluie ;
− la pluie de mois d’août.

Mémoire de RAFENOMANANJARA Nomena Barisata 53

 La représentation des individus dans l’espace défini par ces trois facteurs (figure 3.6)
donne un résultat très satisfaisant dans le sens qu’ils engendrent 95,37% de l’information
contenue dans le tableau de données initiales (tableau 3.1).

suivant ces trois nouveaux variables, on peut classer les mois de l’année en trois
groupes :
− les mois de décembre, janvier, février et mars sont fortement corrélés entre eux et
de façon positive. Ils définissent l’été austral dans notre zone;
− les mois d’avril, mai, juin juillet, septembre, octobre et novembre, fortement
corrélées entre eux aussi et décrivant l’hiver austral ;
− le mois d’août présente une particularité. Il n’est corrélé à aucun mois de l’année
et caractérise à lui seul notre dernière variable synthétique.

on peut faire une typologie des lieux :
− les points à forte pluie annuelle : B4 C4 C5 D4 D5 ;
− les points à faible pluie annuelle : A1 A4 A5 A6 B5 B6 C6 D6 ;
− les points à forte amplitude pluviométrique : B1 B2 C1 C2 C3 D1 D2 D3 ;
− les points à forte pluie hivernale : A2 A3 B3 B4.

Sur la figure 3.6, on a la reproduction du résultat de l’ACP pour les individus dans un
espace à trois dimensions définie par les axes factoriels F1, F2 et F3.

3 F3

A2
A3

D1
1 B4 F1
F2 B3
B1
C1 D2
B2
C2 D4 D5
C3 D3 C4 C5
D6 7.5
-1 A1 6.5
3 C6 4.5
A4
2 B5 B6 2.5
A5 A6 0.5
0
-1.5
-2 -3.5

Figure 3.8 : représentation des individus après l’ACP

Mémoire de RAFENOMANANJARA Nomena Barisata 54

 III-4- Etude de la pluviométrie pour chaque groupe de points

D’après les résultats de l’ACP, on peut diviser notre zone d’étude en quatre régions. Leur
répartition est illustrée sur la figure 3.6.

Légende :
délimitation de
la région I

délimitation de
latitude

la région II

délimitation de
la région III

délimitation de
la région IV

longitude
Figure 3.9 : répartition des régions pluviométriquement homogènes

Notons :
− région I : la zone à pluie annuelle maximale : B4 C4 D4 C5 D5 ;
− région II : la zone à faible pluie annuelle : A1 A4 A5 A6 B5 B6 C6 D6 ;
− région III : la partie avec l’amplitude pluviométrique maximale : B1 B2 C1 C2 D1 D2 D3 ;
− région IV : la partie présentant une pluie de mois d’Août : A2 A3 B3 C3.

Procédé à suivre
Pour chaque subdivision de la zone :
− on représentera la variation mensuelle de la pluie de 1979 à 2004. Elle nous permettra,
entre autre de vérifier les résultats de l’ACP sur la classification des individus ;
− à l’aide de la FFT, on détectera les périodes dominantes du signal précédemment obtenu ;
− la dernière étape consistera à repérer temporellement les apparitions de ces modes
dominants grâce à la transformation en ondelette continue.

Mémoire de RAFENOMANANJARA Nomena Barisata 55

 III-4-1- La pluviométrie dans la région I
III-4-1-1- Variation mensuelle de la pluie

12

10

8
pluie (mm)

0
0 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 00 01 02 03 04
annees

Figure 3.10 : variation mensuelle de la pluie de 1979 à 2004 dans la région I

D’après ce graphe, la pluie atteint un maximum vers la fin de l’année 1979 avec une
hauteur d’environ 12mm.

III-4-1-2- Transformation de Fourier rapide

4
x 10

Periode = 11.9615

4
puissance

0
10 15 20 25 30 35 40
Periode (mois/Cycle)

Figure 3.11 : transformation de Fourier rapide

Mémoire de RAFENOMANANJARA Nomena Barisata 56

 La figure 3.11 montre un seul pic remarquable traduisant un seul régime pluviométrique
qui se répète approximativement tous les 12 mois.

III-4-1-3- Transformation en ondelette continue

Pour cela, à l’aide de la TOC, on va localiser temporellement les apparitions de ce régime

de pluies. Pour ce faire, on utilise comme ondelette mère, celle de Daubechies.
Pour illustrer les coefficients obtenus lors de la TOC, le logiciel MATLAB nous les montre
sous forme d’image de couleur (graphe (b) de la figure 3.12).

Figure 3.12 : transformée en ondelette continue du signal pluviométrique de la région I et

localisation temporelle du phénomène de période 12 mois

La figure 3.12 (a) représente le signal à analyser (la variation mensuelle de la pluie au
cours de la période 1979 à 2004). Celui du graphe (b) correspond aux coefficients obtenus
lors de la TOC pour toute échelle s. Mais on s’intéresse qu’à un signal de fréquence
1
f = = 0,0836mois −1 . MATLAB calcule la fréquence correspondante à une échelle
11,9615
donnée et nous avons trouvé que, pour l’ondelette de Daubechies (annexe E), l’échelle s = 8
−1
correspond à la fréquence f = 0,0836mois .

Mémoire de RAFENOMANANJARA Nomena Barisata 57

 C’est sur le troisième graphe (c) qu’on peut localiser temporellement le régime de pluie. La
courbe en verte représente la variation du coefficient Cs ,b le long du signal (de 1979 à 2004)
pour l’échelle s = 8 . On voit une oscillation pseudopériodique par intervalle de temps.

III-4-2-La pluviométrie dans la zone II

III-4-2-1- Variation mensuelle de la pluie

2.5

1.5
pluie (mm)

0.5

0
0 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 00 01 02 03 04
annees

Figure 3.13 : variation mensuelle de la pluie de 1979 à 2004 dans la zone II

On constate que la pluie ne dépasse jamais le maximum des 2,5mm.

III-4-2-2-Transformation rapide de Fourier
5000
x = 11.9
4500

4000

3500

3000
puissance

2500

2000

1500 x = 5.98

1000 x = 3.98

500 x = 2.39

0
-5 0 5 10 15 20 25 30 35 40 45 50
Periode (mois/Cycle)

Figure 3.14 : transformée rapide de Fourier du signal pluviométrique de la zone II

Mémoire de RAFENOMANANJARA Nomena Barisata 58

 On observe 4 pics : 11.9 mois, 5.98 mois, 3.98 mois et 2.39 mois. Dans la zone II, il existe
4 phénomènes pluviométriques.

III-4-2-3-Transformation en ondelette continue

On va utiliser comme ondelette mère celle de Symlets. Nous voyons dans le tableau ci-
dessous un extrait du tableau de correspondance (annexe E) entre les échelles et les 4 pseudo-
périodes.
Périodes Fréquences Echelles
2.39 0.418 1.5
3.98 0.251 2.75
5.98 0.167 4.25
11.96 0.083 8.25

Mémoire de RAFENOMANANJARA Nomena Barisata 59

 Figure 3.15 : transformation en ondelette continue du signal pluviométrique de la région II et
localisation temporelle de régimes de pluies
(a) transformation en ondelette continue
(b) localisation temporelle du phénomène de période 2,3 mois
(c) localisation temporelle du phénomène de période 4 mois
(d) localisation temporelle du phénomène de période 6 mois
(e) localisation temporelle du phénomène de périodes 12 mois

III-4-3- La pluviométrie dans la région III

III-4-3-1- Variation mensuelle de la pluie

variation mensuelle de la pluie

12

10

8
pluie(mm)

0
0 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 00 01 02 03 04
annees

Figure 3.16: variation temporelle de la pluie de 1979 à 2004 de la région III

Mémoire de RAFENOMANANJARA Nomena Barisata 60

 La région III se caractérise par une forte amplitude pluviométrique mensuelle qui résulte
de la différence entre le niveau maximal et minimal de pluie. En observant les valeurs de la
hauteur de la pluie, cette courbe apparait à peu près semblable à celle de la région I.

III-4-3-2- Transformation rapide de Fourier

4
x 10
18
x = 11.9
16

14

12
puissance

10

4
x = 5.98

0
0 10 20 30 40 50 60 70 80 90 100
Periode (mois/Cycle)

Figure 3.17 : transformée de Fourier du signal pluviométrique de la région III

La transformation de Fourier rapide aboutit à une courbe à 2 pics remarquables montrant

l’existence de 2 phénomènes de période de 12 mois pour l’un et de 6 mois pour l’autre.

III-4-3-3- Transformation en ondelette continue

On utilise l’ondelette de Daubechies comme ondelette analysante.

Mémoire de RAFENOMANANJARA Nomena Barisata 61

 Figure 3.18 : transformation en ondelette continue du signal pluviométrique de la région III et
localisation temporelle de régimes de pluies
(a) résultat de la transformation en ondelette continue
(b) localisation temporelle du phénomène de période 6mois
(c) localisation temporelle du phénomène de période 12 mois

III-4-4- La pluviométrie dans la zone IV

III-4-4-1- Variation mensuelle de la pluie
9

6
pluie (mm)

0
0 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 00 01 02 03 04
annees

Figure 3.19 : variation mensuelle de la pluie de 1979 à 2004 dans la région IV

Mémoire de RAFENOMANANJARA Nomena Barisata 62

 III-4-4-2- Transformation rapide de Fourier

4
x 10
3 x = 11.9

2.5

2
puissance

1.5

0.5
x = 5.9
x = 6.61

0
5 10 15 20 25 30
Periode (mois/Cycle)

Figure 3.20 : transformée de Fourier du signal pluviométrique de la région IV

On distingue 3 pics notables : un pic sur 5.9 mois, l’autre sur 6.6 mois et le dernier sur
environ 12 mois.
III-4-4-3-Transformation en ondelette continue

Comme précédemment, l’ondelette mère choisie est celle de Daubechies.

Mémoire de RAFENOMANANJARA Nomena Barisata 63

 Figure 3.21 : transformation en ondelette continue du signal pluviométrique de la région IV et
localisation temporelle de des régimes de pluies
(a) résultat de la transformation en ondelette continue
(b) localisation temporelle du phénomène de période 6mois
(c) localisation temporelle du phénomène de période 6,6 mois
(d) localisation temporelle du phénomène de période 12 mois
III-4-5-Observations et commentaires

Les quatre régions obtenues par l’ACP présentent deux phénomènes similaires communs:
− l’un de période de six mois ;
− l’autre de période de douze mois.

Il faut noter les phénomènes remarquables entre les régions I et II: la première étant
caractérisée par le maximum de pluie annuelle dans notre zone d’études ne comporte qu’un
seul phénomène notable. Par contre, la seconde qui est définie par le minimum de pluie
annuelle dans la zone comporte quatre régimes de pluies. Cela peut s’expliquer par le fait que
les périodes affichées par la transformation de Fourier rapide n’indiquent forcément pas la
périodicité d’apparition d’un maximum de pluie dans la région concernée. Elle peut
correspondre à la répétition d’une valeur quelconque de la hauteur de pluie ou même à
l’absence de celle-ci dans certains cas extrêmes.
Pour tous les résultats de la transformation en ondelette continue, au niveau de la
localisation temporelle, on découvre que la variation de la valeur du coefficient d’ondelette
est une oscillation pseudopériodique par intervalle de temps. Cela peut s’interpréter de la
façon suivante : chaque phénomène marquant se compose de plusieurs événements, et quand
on applique la transformée en ondelette continue, tous ces événements se détectent par
l’ondelette analysante. Ainsi on a une oscillation pseudopériodique par intervalle de temps de
la valeur du coefficient d’ondelette.

Mémoire de RAFENOMANANJARA Nomena Barisata 64

 Cette situation s’aperçoit pour les phénomènes de période de moins de six mois. C’est de
ce fait que la détermination ou l’identification du phénomène reste complexe et nécessite
d’autres outils d’analyses.

Mémoire de RAFENOMANANJARA Nomena Barisata 65

 Conclusion générale

Dans ce travail, on a effectué un zonage par rapport à la pluie de la région Sud-ouest de

Madagascar. Notre zone d’étude est comprise entre les latitudes 21,5° Sud - 26,5° Sud et les
longitudes 42,5° Est - 45,5° Est. Pour chaque secteur pluviométriquement homogène, on a
procédé à l’analyse spectrale du signal pluviométrique mensuel depuis 1979 jusqu’en 2004.
La base de données dont nous disposons est celle de la météo France à la Réunion. Ils ont
calculé la hauteur de pluie journalière sur tout Madagascar avec une résolution de 1°x1°. Il
suffit alors d’extraire les données correspondantes à notre zone d’étude.
Pour la réalisation de cette recherche, on a utilisé trois outils mathématiques :
♦ le premier étant l’Analyse en Composantes Principales. Elle nous a permis de trouver
les lieux pluviométriquement homogènes. C’est une méthode d’analyse de données
qui cherche à synthétiser l’information contenue dans un tableau croisant des
individus et des variables quantitatives. A l’aide de représentations graphiques, elle
met en évidence les relations entre individus par l’évaluation de leurs ressemblances
ainsi que les relations entre variables par l’évaluation de leurs liaisons ;
♦ une fois qu’on a obtenu l’homogénéisation des lieux, on applique comme deuxième
outil la transformation de Fourier rapide. Elle s’utilise pour l’analyse spectrale du
signal pluviométrique de chaque région afin de dégager les régimes de pluies
dominantes. En outre, elle facilite le repérage des fréquences prédominantes dans un
signal donné mais ne permet pas la localisation temporelle des phénomènes indiqués
par ces fréquences ;
♦ pour apporter plus de précision sur les résultats précédents, la transformation en
ondelette continue apparait la mieux adaptée.

Alors pour notre zone d’étude, les différentes analyses nous amènent à distinguer quatre
domaines :

La région I comprend les intersections de la latitude 24,5° Sud avec les longitudes
43,5° et 45,5° Est et les intersections de la latitude 25,5° Sud avec les longitudes 44,5° et
45,5° Est.
C’est la partie de l’extrême sud-ouest de Madagascar qui reçoit le maximum de pluie
annuelle pour l’ensemble de notre zone d’étude. Elle englobe :
- les communes d’Itampolo, d’Ejeda, d’Ampanihy dans la région Atsimo Andrefana ;

Mémoire de RAFENOMANANJARA Nomena Barisata 66

- les communes de Tranoroa, de Bekitro, de Tsihombe, d’Anatanimora, de Faux Cap et le
district de Beloha ainsi que de Bekily dans la région Androy.
Dans la période prise en compte par notre étude (1979-2004), un seul phénomène dominant
apparait pour la pluviométrie avec une période de douze mois.

La région II renferme les parties marines de notre zone. Elle se caractérise par une
pluviométrie annuelle minimale.
Contrairement à la région I, au niveau de la mer, il existe quatre phénomènes
pluviométriques principaux avec une périodicité de douze mois, de six mois, de quatre mois et
de deux mois et demie.

La région III couvre le Nord de notre zone et se définit par le maximum d’amplitude
pluviométrique mensuelle. On y trouve: les communes de Morombe, d’Ambahikily, de
Befandriana Sud, d’Ankazoabo, de Beroroha, de Betsioky, de Benenitra et de Ranohira (dans
la région d’Ihorombe).
Sa pluviométrie compte deux phénomènes majeurs : l’un de période de douze mois et l’autre
de six mois.

La région IV se localise au centre ouest de notre zone s’étend vers la mer. Elle se
distingue par la pluie de mois d’Août. Elle incorpore les communes de Toliara, de Saint
Augustin, d’Ambohimahavelona, de Betioky, de Tongobory et de Bezaha. Elle laisse
apparaître trois phénomènes de période de six mois, le deuxième de six mois et trois semaines
et le troisième de douze mois.

Ces quatre régions disposent en commun de deux phénomènes pluviométriques

remarquables de période de six et de douze mois. Enfin, d’après les résultats de l’Analyse en
Composante Principale et ne tenant pas compte des éléments du climat autre que la
pluviométrie, l’été austral dans la région aride de Madagascar correspond aux mois de
Décembre, Janvier, Février et Mars. Le mois d’Août fait un cas particulier dans le sens où au
milieu de la période sèche, certains endroits sont soumis à une humidité non négligeable par
rapport à l’ensemble de la zone.

Mémoire de RAFENOMANANJARA Nomena Barisata 67

 ANNEXE A

Caractéristiques des nuages de points

Distance entre deux points individus
En ACP, on utilise la distance euclidienne (théorème de Pythagore). Entre deux individus
 et   , cette distance équivaut à:
p
d (U i ,U i ' ) = ∑ ( xin − xi 'n )2
2
n =1

Centre de gravité des individus

On considère comme centre de gravité G du nuage des individus le point dont les
coordonnées coïncide avec les valeurs moyennes des variables :
1 n 
 ∑ xi1 
 n i =1 
 ⋮ 
 n 
1
G :  ∑ xij 

n i =1
 
 ⋮ 
1 n 
 ∑ xip 
n 
 i =1 

Matrice de covariance
La covariance entre les caractères X j et X j' s’exprime par :

cov ( X j , X j ' ) =
1 n
n∑
xij xij '
i =1

( ) ( )
On peut remarquer que cov X j , X j = σ 2 X j . C’est le carré de l’écart type ou variance
du caractère X j .
La matrice de covariance V est :
 σ2 ( X1) cov( X1, X2 ) ⋯ cov( X1, Xj ) ⋯ cov( X1, Xp ) 
 
cov( X , X ) σ2 ( X2 ) ⋯ cov( X2, Xj ) ⋯ (
cov X2, Xp  )
 2 1 
 
⋮ ⋮ ⋱ ⋮ ⋮ ⋮
( )
V = cov Xj , Xj'  = 
 


( )
 jj' cov X , X cov X , X
 j 1 j ( 2 ) ⋯ σ2 ( Xj ) ⋯ (
cov Xj , Xp  )
 
 ⋮ ⋮ ⋮ ⋮ ⋱ ⋮ 
 
( )
cov Xp, X1 cov Xp, X2
 ( ) ⋯ cov( Xp, Xj ) ⋯ ( )
σ2 Xp 

I
 Matrice de corrélation
La corrélation entre les caractères X j et X j' se définit par :

cov ( X j , X j ' )
ρ ( X j , X j' ) =
σ jσ j '

La matrice de corrélation R s’écrit :

R =  ρ ( X j , X j ' )
  jj '

Inertie totale du nuage de points individus

Si on note IG le moment d’inertie totale du nuage des individus par rapport à son centre de
gravité G, alors la relation suivante la définit:

1 n 2 1 n p
IG = ∑
n i =1
d ( G , U i ) = ∑∑
n i =1 j =1
( xij )2

Le moment d’inertie totale permet de quantifier la dispersion du nuage par rapport à son
centre de gravité G. Un moment d’inertie élevé signifie un nuage très dispersé; dans le cas
contraire, le nuage se concentre autour du centre de gravité.

II
 ANNEXE B
Méthodes des multiplicateurs de Lagrange
Pour chercher les optimums d’une fonction f ( t1 ,t2 ,...,t p ) de p variables liées par une

relation (contrainte) :
l( t1 ,t2 ,...,t p ) = h( t1 ,t2 ,...,t p ) − cte

par rapport à chacune des variables, on calcule les dérivées partielles de la fonction :

g( t1 ,t2 ,...,t p ) = f ( t1 ,t2 ,...,t p ) − λ l( t1 ,t2 ,...,t p )

En annulant ces p dérivées partielles et en ajoutant la contrainte, on obtient un système de

( p + 1) équations à ( p + 1) inconnus. Ces derniers représentent les valeurs des variables
ti ( i = 1,..., p ) et de λ appelée multiplicateur de Lagrange. L’existence de solution à ces
systèmes est une condition nécessaire mais pas suffisante à l’existence d’un optimum pour la
fonction f .
On peut généraliser ce problème au cas où les p variables subissent c contraintes. On
construit la fonction g( t1 ,t2 ,...,t p ) en rajoutant une combinaison linéaire des c contraintes,

dont les coefficients λ1,λ2 ,...λc sont les multiplicateurs de Lagrange. On doit alors résoudre

un système de ( p + c ) équations à ( p + c ) inconnus.

III
 ANNEXE C
Dérivée matricielle par rapport à un vecteur

Pour rechercher les axes principaux, on a dû calculer les dérivées partielles de tb j Rb j et

de t b j b j par rapport aux composantes ( b1 j ,b2 j ,...,bpj ) du vecteur bj . Il est plus aisé de
∂g( b j )
prendre la convention suivante : on note le vecteur de ℝ p dont les composantes sont
∂b j
les dérivées partielles de g( b j ) par rapport à chacune des composantes du vecteur bj de ℝ p :

 ∂g( b j )
 
 ∂b1 j 
 ⋮ 
 
∂g( b j )  ∂g( b j )
= 
∂b j  ∂b jj 
 ⋮ 
 
 ∂g( b j )
 ∂b 
 pj 

On peut montrer que :

∂( tb j Rb j )
= 2Rb j
∂b j

En effet :

 ∂ tb j   ∂b 
 Rb j   tb j R j 
 ∂b1 j   ∂b1 j 
 ⋮   
   ⋮

∂( tb j Rb j )  ∂ tb j  t ∂b j 
= Rb j  +  b j R
∂b j  ∂b jj   ∂b jj 
 ⋮   ⋮ 
   
 ∂ tb j  t ∂b j 
 Rb j   b j R
∂
 pj
b   ∂bpj 

On peut remarquer que dans cette dernière expression, les éléments des deux vecteurs
sont égaux puisque chacun est la transposée de l’autre et de dimension 1 x 1. Il en résulte
que :

IV
 ∂( tb j Rb j ) ∂ tb j
=2 Rb j
∂b j ∂b j

Et la dérivée de tb j par rapport à bj est égale à :

 ∂ tb j 
 
 ∂b1 j 
 ⋮  1 0 ⋯ ⋯ 0 
  0 ⋱ ⋱ ⋮ 
∂ bj
t  ∂b
t  
=  j  = ⋮ ⋱ 1 ⋱ ⋮  = I p
∂b j  ∂b jj   
 ⋮  ⋮ ⋱ ⋱ 0
  0 ⋯ ⋯ 0 1 
 ∂ bj 
t
 
 ∂bpj 

où Ip désigne la matrice identité de dimension p.

∂ tb j b j
De la même manière, on peut montrer que = 2b j
∂b j

V
 ANNEXE D

Correspondance entre statistique et géométrie

L’ACP et leurs représentations géométriques utilisent la relation entre géométrie

euclidienne et statistique. Les statistiques élémentaires calculées sur n unités ont leur
correspondance géométrique dans un repère donné. Pour un ensemble de variables
Z1 , Z2 ,..., Z p , on a :
- Variance et carré de la norme :
2

1 n
( )
2
var( Z j ) = ∑ zij − Z j = GZ j
n i =1
- Covariance et produit scalaire :
 
1 n
( )( )
cov(Z j , Z j ' ) = ∑ zij − Z j zij ' − Z j ' = GZ j , GZ j '
n i =1
- Coefficients de corrélation linéaire et cosinus d’angle :
 
cov( Z j , Z j ' ) GZ j , GZ j '  
ρ (Z j , Z j ' ) = =   = cos(GZ j , GZ j ' )
var( Z j ) var( Z j ' ) GZ j ⋅ GZ j '

VI
 ANNEXE E
Equivalence échelle-fréquence pour l’ondelette de Daubechies
Echelle « s » Fréquence (mois-1)
1 0,667
2 0,333
3 0,222
4 0,167
4.25 0.157
5 0,133
6 0,111
7 0,095
8 0,083
9 0,074
10 0,067
Equivalence échelle-fréquence pour l’ondelette de Symlets
Echelle « s » Fréquence (mois-1)
1 0,692
1,25 0,554
1,50 0,462
1,75 0,396
2 0,346
2,25 0,308
2,5 0,277
2,75 0,252
3 0,231
3,25 0,213
3,5 0,198
3,75 0,185
4 0,173
4,25 0,163
4,5 0,154
4,75 0,146
5 0,138
5,25 0,132
5,5 0,126
5,75 0,120
6 0,115
6,25 0,111
6,5 0,107
6,75 0,103
7 0,099
7,25 0,095
7,5 0,092
7,75 0,089
8 0,087
8,25 0,084
8,5 0,081

VII
 ANNEXE F
Répartition mensuelle de la pluie
Janvier Fevrier
-10 7 -10 6

-12 -12
6 5
-14 -14

5
-16 -16 4
latitude

-18

latitude
4 -18
3
-20 -20
3
-22 -22 2

2
-24 -24
1

-26 1 -26

-28 -28 0
42 44 46 48 50 42 44 46 48 50
longitude longitude

Mars Avril
-10 4.5 -10 4.5

-12 4 -12 4

-14 -14
3.5 3.5

-16 -16
3 3
latitude
latitude

-18 -18
2.5 2.5
-20 -20
2 2
-22 -22

1.5 1.5
-24 -24

1 1
-26 -26

0.5 0.5
-28 -28
42 44 46 48 50 42 44 46 48 50
longitude longitude

Mai Juin
-10 2.5 -10 3

-12 -12
2.5
2
-14 -14

2
-16 -16

1.5
latitude

latitude

-18 -18
1.5

-20 -20
1 1
-22 -22

-24 -24 0.5

0.5

-26 -26
0

-28 -28
42 44 46 48 50 42 44 46 48 50
longitude longitude

VIII
 Juillet Août
-10 3 -10 1.6

-12 -12 1.4

2.5

-14 -14 1.2

2
-16 -16
1

latitude
latitude

-18 1.5 -18

0.8

-20 -20
0.6
1
-22 -22
0.4

-24 0.5 -24

0.2
-26 -26
0
0
-28 -28
42 44 46 48 50 42 44 46 48 50
longitude longitude

Septembre Octobre
-10 -10 2.2

1.8 2
-12 -12

1.6 1.8
-14 -14
1.4
1.6
-16 -16
1.2
1.4
latitude

latitude

-18 1 -18
1.2
-20 0.8 -20
1
0.6
-22 -22
0.8
0.4
-24 -24 0.6
0.2

-26 -26 0.4

0

-28 -0.2 -28 0.2

42 44 46 48 50 42 44 46 48 50
longitude longitude

Novembre Décembre
-10 4 -10 5.5

-12 -12 5
3.5

4.5
-14 -14
3
4
-16 -16
2.5 3.5
latitude
latitude

-18 -18
3
2
-20 -20
2.5

-22 1.5 -22

2

-24 1 -24 1.5

-26 -26 1
0.5

-28 -28 0.5

42 44 46 48 50 42 44 46 48 50
longitude longitude

IX
 REFERENCES BIBLIOGRAPHIQUES

[1] Jacques RAVET. Notice sur la climatologie de Madagascar et des Comores, [1952]

[2] Olivier Pujol. « Introduction à la physique des nuages et des précipitations »,

Université Toulouse III, Paul Sabatier, [février 2007].

[3] C. Duby, S. Robin, « Analyse en Composante Principale », Institut National

Agronomique Paris – Grignon, [2006]

[4] G. Dreyfus, J.-M. Martinez, M. Samuelides,M. B. Gordon, F. Badran, S. Thiria,

« Apprentissage statistique », édition EYROLLES [2004]

[5] Gilbert SAPORTA, « probabilité, analyse de données et statistique » (deuxième

édition révisée et augmentée), Conservatoire National des Arts et Métiers de
France, [mars 2006]

[6] Francis Cottet, « traitement de signal », édition DUNOD [2005]

[7] Demaeyer Jonathan, Bebronne Michael et Forthomme Sébastien, « les ondelettes »,

Université libre de Bruxelles, revue: Printemps des Sciences [2003]

[8] Alexandre Renaux, « traitement numérique de signaux », IFIPS Univérsité de Paris

Sud Orsay, [juin 2006]

[9] Omar Chadid, « analyse des séries hydrométéorologiques par la transformée en

ondelettes », Ecole de Technologie Supérieure Université de Québec, [septembre
2003]

[10] Michel Misiti, Yves Misiti, G Oppenhein, J-M Poggi, « Wavelet toolbox User’s
Guide », [octobre 2007]

[11] Yves Meyer, Stéphane Jaffard, Olivier Rioul, « Analyse par Ondelettes », revue :
Pour la Science [septembre 2007]
Titre : ETUDE DE LA PLUVIOMETRIE DANS LE SUD OUEST DE
MADAGASCAR, APPROCHE PAR ANALYSE EN COMPOSANTES
PRICINPALES ET ANALYSES SPECTRALES

Nombre de pages : 86
Nombre de figures : 42
Nombre de tableaux : 10

RESUME
L’analyse en composantes principales est une méthode pour analyser la répartition de la pluie
et permet de voir la corrélation entre les mois de l’année.
Ce travail consiste à discerner la ressemblance des lieux par rapport à la pluie et à voir la
corrélation entre les douze mois. La zone d’étude peut être divisée en quatre groupes :
l’extrême sud ouest caractérisé par une forte pluie annuelle, la partie maritime définit par la
pluie annuelle minimale, la partie nord définit par le maximum d’amplitude pluviométrique et
la partie centre ouest s’étendant vers la mer qui se distingue par la pluie de mois d’Août. L’été
austral est compris entre le mois de Décembre et le mois de Mars.
L’analyse spectrale met en évidence les phénomènes pluviométriques dominants dans chaque
région du site d’étude et l’analyse par ondelette continue donne leurs apparitions durant la
période d’étude.
Le déclenchement de ces phénomènes est pseudopériodique entre 1979 et 2004. Les quatre
régions présentent deux phénomènes similaires : un de période de 12 mois et un autre de 6
mois.
Mots clés :

Analyse en composantes principales – Cercle de corrélation linéaire – Multiplicateur de

Lagrange - Transformation de Fourier rapide - Transformation en ondelette continue.

ABSTRACT

The principal component analysis is a method to analyze the distribution of the rain and to see
the correlation between the months of the year.
This work is to discern the similarity of the places from the rain and see the correlation
between the twelve months. The study area can be divided into four groups: the extreme south
west characterized by high annual rainfall, the maritime part defined by the minimum annual
rainfall, the northern part defined by the maximum amplitude of rainfall and the western
central extending to the sea which is characterized by the rain of August. The austral summer
is between the months of December and March.
Spectral analysis reveals the dominant rainfall events in each region of the study site and
wavelet analysis still gives their appearances during the study period.
The release of these phenomena is pseudoperiodic between 1979 and 2004. The four regions
have two similar phenomena: a period of 12 months and another 6 months.
Keywords:
Principal component analysis - Circle of linear correlation - Lagrange multiplier - Fast Fourier
transform - Continuous wavelet transforms.