Les précipitomètres tendent à sous-estimer les précipitations solides en présence de vent. Ces pertes sont typiquement évaluées en faisant le rapport des observations d'un précipitomètre sur celles d'un appareil plus précis, le Double-Fence Intercomparison Reference (DFIR). Pour des événements de faible précipitation, de petites erreurs dans les observations du DFIR peuvent induire des erreurs importantes dans le rapport de captage des mesures du précipitomètre sur les observations du DFIR. Pour cette raison, les événements de précipitation de moins de 3 mm sont généralement rejetés avant de réaliser une analyse de régression. Nous avons démontré qu'il était possible de déterminer une courbe de correction utilisant toutes les observations par la méthode des moindres carrés pondérés et par la méthode de maximum de vraisemblance (avec estimations locale et globale). L'utilisation de modèles de simulation de la couverture de neige a montré que les résultats utilisant les données corrigées sont nettement meilleurs. / Automatic precipitation gauges tend to underestimate solid precipitation in the presence of wind. These losses are typically evaluated by submitting the ratio of the gauge observations on those of a more accurate apparatus, the Double-Fence Intercomparison Reference (DFIR). For small precipitation events, small errors in the DFIR observations can induce important errors in the catch ratio of gauge measurements to the DFIR observations. For this reason, events of less than 3 mm are generally rejected before performing a regression analysis. In this report, we showed that it was possible to determine a correction curve using all the observations by the method of weighted least squares and by the method of maximum likelihood (using local and global estimations). The use of snow cover simulation models showed that the results using the corrected data are definitely better.

L'introduction de production éolienne dans un réseau électrique, de par la nature stochastique du vent, impose au gestionnaire un investissement supplémentaire pour maintenir les réserves en capacité et les infrastructures rattachées afin de balancer les fluctuations de la filière éolienne. L'effet de lissage qu'induit la répartition des éoliennes sur un grand territoire, par son apport au crédit en capacité de la filière, peut être un facteur important de réduction de cet investissement. À l'aide de données recueillies au Québec, ce travail démontre la présence de lissage induit par la répartition des stations anémométriques et le quantifie, en termes de réduction de la variabilité des séries temporelles en vitesse du vent et en puissance. / When introducing wind power into an electricity grid, because of the stochastic nature of wind, investments must be made to insure capacity reserves and related infrastructures are available to balance the wind production fluctuations. Smoothing effect of geographically dispersed wind production may help minimize these investments by reducing variability of the wind production thus contributing to the wind power capacity credit. Based on measured wind speed data from Québec province, this study shows the existence of a smoothing effect induced by geographical dispersion of the measurement stations and quantifies it by means of reduced variability of the wind speed and power time series.