Analyse Multivariée Et Typologie Spatiale Du Potentiel Photovoltaïque Dans La Région Boeny (Madagascar) : Classification Des Territoires Et Caractérisation Des Sites Candidats

Haja RAHAMALITSIROFO, Mamitianaa ANDRIANOMANANA RANAIVO DANIEL, Tolontsoa RAKOTOSON, Jackie TOVONIRINA, Eddy H. RASOLOMANANA

Abstract


Cette étude analyse la structuration spatiale du potentiel photovoltaïque dans la région Boeny (Madagascar) à partir d’une approche multivariée combinant irradiation globale horizontale, pente, altitude et orientation du relief. Une classification non supervisée par K-means distingue quatre groupes représentant respectivement 24,8 %, 38,3 %, 18,4 % et 18,5 % des cellules analysées, révélant plusieurs configurations solaire–topographiques. L’analyse en composantes principales confirme cette organisation : les deux premiers axes expliquent 100 % de la variance, dont 68,3 % pour PC1 et 31,7 % pour PC2, principalement structurés par le couple GHI–altitude et la pente. Le GHI moyen régional atteint 5,990 kWh/m²/jour, avec un écart-type de 0,092 kWh/m²/jour ; sa distribution présente une asymétrie modérément négative (−0,434) et une kurtosis excédentaire de −0,320. Dix sites candidats ont ensuite été présélectionnés selon un GHI supérieur ou égal au 75e percentile, une pente ≤ 5° et une superficie continue ≥ 20 ha. Parmi eux, S01 présente le profil relatif le plus favorable, combinant superficie et GHI normalisés proches de 1,00 et une aptitude de pente d’environ 0,64. Ces résultats fournissent une base robuste pour hiérarchiser les secteurs prioritaires avant analyse de faisabilité détaillée.

Keywords


potentiel photovoltaïque ; analyse multivariée ; K-means ; analyse en composantes principales ; Boeny.

Full Text:

PDF

References


International Energy Agency (IEA). (2026). Global Energy Review 2026: Technology – Solar PV and Wind. Paris: IEA.

World Bank. (2026). Madagascar – Data: Access to electricity (% of population). Donnée la plus récente : 2024. World Bank Open Data

Betak, J., Caltik, M., Cebecauer, T., Chrkavy, D., Erdelyi, B., Rosina, K., Suri, M., & Suriova, N. (2020). Global Photovoltaic Power Potential by Country. Washington, DC: World Bank–ESMAP. Esmap

Jain, A. K. (2010). Data clustering: 50 years beyond K-means. Pattern Recognition Letters, 31(8), 651–666. DOI: 10.1016/j.patrec.2009.09.011. ScienceDirect

Jolliffe, I. T., & Cadima, J. (2016). Principal component analysis: a review and recent developments. Philosophical Transactions of the Royal Society A, 374, 20150202. DOI: 10.1098/rsta.2015.0202.

Shao, M., Han, Z., Sun, J., Xiao, C., Zhang, S., & Zhao, Y. (2020). A review of multi-criteria decision making applications for renewable energy site selection. Renewable Energy, 157, 377–403. DOI: 10.1016/j.renene.2020.04.137.

ESMAP. (2019). Global Solar Atlas 2.0: Technical Report. Washington, DC: World Bank. World Bank

Wilson, J. P., & Gallant, J. C. (Eds.). (2000). Terrain Analysis: Principles and Applications. John Wiley & Sons. Wiley-VCH

Jain, A. K. (2010). Data clustering: 50 years beyond K-means. Pattern Recognition Letters, 31(8), 651–666. DOI: 10.1016/j.patrec.2009.09.011. ScienceDirect

Jolliffe, I. T., & Cadima, J. (2016). Principal component analysis: a review and recent developments. Philosophical Transactions of the Royal Society A, 374, 20150202. DOI: 10.1098/rsta.2015.0202. DOI

Noorollahi, Y., Ghenaatpisheh Senani, A., Fadaei, A., Simaee, M., & Moltames, R. (2022). A framework for GIS-based site selection and technical potential evaluation of PV solar farm using Fuzzy-Boolean logic and AHP multi-criteria decision-making approach. Renewable Energy, 186, 89–104. DOI: 10.1016/j.renene.2021.12.124.




DOI: http://dx.doi.org/10.52155/ijpsat.v59.2.8760

Refbacks

  • There are currently no refbacks.


Copyright (c) 2026 Jackie Mamiharizo TOVONIRINA

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.